Retro adatbányászat. Kovács Gyula Andego Tanácsadó Kft.

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Retro adatbányászat. Kovács Gyula Andego Tanácsadó Kft."

Átírás

1 Retro adatbányászat Kovács Gyula Andego Tanácsadó Kft. Adattárház Fórum 2012

2 Magunkról 2010-ben alapították magánszemélyek (az alapítók több mint egy évtizedes BI tapasztalatokkal rendelkeznek) Andego Tanácsadó Kft. fő profilja: Intelligens applikációk kifejlesztése, és hozzá konzultáció eladása (CARculator, Sixtep hálózati szoftver) BI tanfolyamok megtartása (kiscsoportos tanfolyamok) CRM és BI témájú piackutatások lebonyolítása Partnerek IFUA Partners, MentorPartner, BI Consulting Kft. és SIXTEP Kft. Referenciák Lombard Lízing, MKB Euroleasing, OTP, Uniqa, Posta Biztosító, Signal Biztosító, PBA biztosítási alkusz, Vodafone, Sanofi-avensis

3 Tartalom Mi is az adatbányászat? Alapfogalmak Dara Mining és X mining kapcsolata Big Data és adatbányászat Hogyan készül egy adatbányászati modell? Milyen adatbázisokat építsünk? Egy esettanulmány

4 Az adatbányászat már nem trendi?

5 Az adatbányászat = adatfeldolgozás, adatelemzés és gondolkodás Bár általában adatok elemzésével kapcsolatban használják a fogalmat, az adatbányászat a mesterséges intelligenciához hasonlóan egy esernyő fogalom. Általában üzleti vagy valamilyen más szervezeti trend(ek) azonosításának igényével kapcsolják össze. 1. Az implicit, korábban ismeretlen és hasznos információk kinyerése különféle adatokból (W. Frawley and G. Piatetsky-Shapiro and C. Matheus, Knowledge Discovery in Databases: An Overview. AI Magazine, Fall 1992, pages ) 2. Hasznos információk hatalmas adatsorokból vagy adatbázisokból való kiszűrésének tudománya" (D. Hand, H. Mannila, P. Smyth: Principles of Data Mining. MIT Press, Cambridge, MA, ISBN X) 3. Egyesíti az adatbázis-kezelés, a statisztika és a mesterséges intelligencia kutatások eredményeit. 4. Az adatbányászat nagy mennyiségű adatok kutatása és elemzése rejtett minták és szabályok felfedezése érdekében. (Data Mining Techniques; By Michael J. A. Berry and Gordon S. Linoff, 2004 John Wiley & Sons)

6 2005 körül számos olyan változás történt, ami alapvetően változtatta meg az adatbányászatot CRM rendszerek megjelenése. A rendszerek inbound/outbound kampányok menedzselése egyben, és az adatbányászati modelleket ezen kampányokhoz kezdték használni (CRM modellek) -> Modell teljesítmények mérése éles környezetben (kampány menedzsment) Web analitika. Egyre több online intelligens alkalmazás jelent meg. A web adatok nagyon gyorsan amortizálódnak, az algoritmusokkal szembeni elvárás az öntanulás képessége (pl. ajánló rendszerek) -> Real-time technológia és Big Data megjelenése Nem strukturált adatok bányászata. A hagyományos adattárház adatok elemzése mellett megjelent a szöveg és hangbányászat. A szövegbányászat egyben a tartalom elemzés legfontosabb motorja -> Digitális lábnyomok egyre intenzívebb elemzése

7 Napjainkban adatbányászathoz sorolunk lassan mindent ami adatelemzés Nem strukturált adatok elemzése: Text mining Voice mining Hálózatelemzés Kampány menedzsment: Analítikus CRM Real-time decision Üzleti elemzés szerepe nő Business Analyses Data Mining Óriás adatok megjelenése: BIG Data Cloud Computing Hálózatok (közösségi oldalak > digitális lábnyomok) Adatbányászat demokráciája: Open source szoftverek térnyerése Mindenkinek van adata

8 X-Mining tényleg adatbányászat?

9 X-Mining tényleg adatbányászat? A szövegbányászat, hangbányászat, videóbányászat és részben a hálózatelemzés valójában a nem strukturált adatok strukturált formára hozását jelenti. Ennek köszönhetően az adatbányászat új adatokat tud beépíteni a modellekbe.

10 Big Data Big Money? A technologyreview-ban Peter Fader-rel (Wharton Egyetem) készült interjúban a Big Data szerepéről beszéltek. Ennek kivonata: A "More is better" elvvel kapcsolatban a kétségeit fogalmazta meg. Emlékeztette az olvasókat arra, hogy 15 éve hasonló várakozások előzték meg a CRM rendszereket, és a benne lévő elemzési lehetőségeket - azonban az idő nem igazolta ezeket a várakozásokat (vagy csak ritka esetekben) A legfontosabb kérdés az optimális adatmennyiség mérete. Fader szerint az elemzés lényege az adatokban lévő korlátok feltérképezése, és nem minden áron történő kiaknázása. Ugyancsak kitért arra, hogy az óriási adatok elemzése végén lehet hogy olyan összefüggésekhez jutunk, amiket az "adattudósok" már a 60-as években is tudtak. Az óriási adatok elemzése túlságosan technikai jellegű lett, éppen ezért Fader szerint az adattudósok inkább matematikusok/informatikusok, és kevésbé elemzők.

11 Egyáltalán hol vannak nagy adatok? Rexer Analytics felmérése szerint az elemzők 87%-a maximum 100 változót használ az elemzéseknél

12 Az elemzők számára nagyobb kihívás az adattisztítás mint az adatméret Az elemzők többsége vállalati adattárházakon dolgozik. Itt az adatminőség kérdése a legszignifikánsabb, az adatok mérete nem változott az elmúlt években radikálisan

13 Tartalom Mi is az adatbányászat? Alapfogalmak Dara Mining és X mining kapcsolata Big Data és adatbányászat Hogyan készül egy adatbányászati modell? Milyen adatbázisokat építsünk? Egy esettanulmány

14 Múltbeli adatok Adatbányászati modellezés - alapelv Az alapelv: minél több múltbeli adatot gyűjtsünk össze az adott ügyfélről, és ez alapján jelezzük előre jövőbeli viselkedését. Jövő Demográfiai/firmográfiai adatok Tranzakciós adatok (kommunikáció/pénzforgalom) CRM adatok ügyfél-vállalati interakciók Termék használati adatok Ügyfél Prediktív modell Lemondja a szerződését? Csődbe jut? Csalást fog elkövetni? Vásárolni fog az adott termékből? Stb.

15 Mit várhatunk el egy adatbányászati projekttől?

16 Néhány tipikus alkalmazás Churn előrejelzés. Elsődlegesen mobil szektorban, ezen belül is postpaid ügyfelekre. Ügyfél szegmentáció. Olyan viselkedés alapú szegmentáció, ami a hasonló szükségletű ügyfeleket detektálja. Elsődlegesen kampány célcsoport kijelölésnél használták. X-sell/upsell elemzések. Next best ajánlatok kiszámítása asszociációs szabályok segítségével Ügyfélérték számítás. Alapvetően kontrolling feladat, de a CLV számításnál szükséges az ügyfelek várható élettartamának kiszámítása Csalás detektálás. Bankkártya csalások detektálása Folyamat optimalizálás. Behajtási folyamatok optimalizálása (pl. mely adósokat nem kell átadni behajtó cégeknek)

17 Adatbányászati modell elemzés eredménye Hűségszerződés lejárt? Igen: 15% Nem: 3% Optimális díjcsomagban van Panaszkodot t az ügyfélszolgálaton? Igen: 10% Nem: 25% Igen: 7% Nem: 1%

18 Adatbányászat legfontosabb lépései Az adatbányászat nélkülözhetetlen része az adatbányászati szoftver. A legjobb szoftverek támogatják: 1. Adatfeldolgozás: az eredeti forrás adatok általában alkalmatlanok adatbányászati elemzésekre. A szoftver segítségével előállítható tanító és teszt adatbázis 2. Hagyományos elemzés (statisztikák és grafikonok): az elemző lépésről lépésre állítja elő a tanító adatbázist. Ehhez szükséges alapelemzések elkészítése 3. Modellezés: minden adatbányászati szoftver tartalmaz modellező/adatbányászati algoritmusokat. A tanító adatbázison ezek segítségével készítjük a modelleket (adatbányászati algoritmus modell) 4. Kiértékelés: a legtöbb szoftver tartalmaz olyan eljárásokat, amelyek segítségével könnyen eldönthető, hogy az adott modell mennyire pontos (mennyire használható)

19 Esettanulmány

20 Prediktív modellezés múltbeli tapasztalatok alkalmazása az előrejelzésre Alapelv: gyűjts össze minél több adatot a múltból, és ezt használd fel a jövő előrejelzésére! Múlt Jelen Előrejelzés jelen tudásunk alkalmazása Univerzális tudás: múltbeli adatok alapján feltárt összefüggések (függvényhalmaz) Univerzális tudás múltbeli adatok alapján Ügyféladat Demográfiai/firmográfiai adatok Viselkedés adatok (hívások, SMS, MMS, ) CRM adatok ügyfélvállalati interakciók Termék használati adatok DataMining modellek + Múltbeli adatok elátrolva adattárházakban (adatbázis) Friss ügyféladatok melyeken a modellek futtathatók Demográfiai/firmográfiai adatok Viselkedés adatok (hívások, SMS, MMS, ) CRM adatok ügyfélvállalati interakciók Termék használati adatok Ügyfélszintű előrejelzés: mi annak a valószíműsége, hogy egy adott esemény bekoövetkezik? (pl. Elvándorlás)

21 Feladat: cégek bedőlésének előrejelzése Forrás: Complex céginformációs adatbázis ~1.000 különböző tábla A legnagyobb táblákban 25-30M rekord Inkonzisztens adatbázis Elemzés lépései: Létrehozunk egy tanító adatbázist Alapelemzéseket készítünk Elemzési stratégia kialakítása Modellezés Kiértékelés

22 Hogyan hozzunk létre elemzési adatbázist? Múltbeli események Célváltozó: történik-e negatív esemény az adott céggel Az eredmény egy olyan függvény, mely később alkalmazható előrejelzésekre.

23 Milyen adataink vannak? Múltbeli események Célváltozó: történik-e negatív esemény az adott céggel Cím adatok (székhely, telephely, fióktelep) és ezek változása Tulajdonosi adatok Tisztségviselő adatok Bankszámla adatok... Mérleg adatok 2010-es vagy korábbi (évente egyszer frissül )

24 Tanító adatbázis ami bármikor reprodukálható végi állapot Változók Cégazonosító Volt-e székhely váltás (last 6M) Fő TEAOR kód Volt-e 2010-es mérleg adata Létszám változás (last 6M)... Cég Cég

25 Tanító adatbázis célváltozó előállítása végi állapot Változók Cégazonosító Volt-e székhely váltás (last 6M) Fő TEAOR kód Volt-e 2010-es mérleg adata Létszám változás (last 6M)... Felszámol ásba kerül (next 6M) Cég Cég

26 Alapelemzések ismerd meg az adatokat II félévben volt-e negatív Mindenki Nem volt Volt Ráta Soha nem adott be mérleget ,52% Adott-be mérleget 2010-ről! ,27% Adott-be mérleget, de 2010-ről már nem! ,20% Az alapelemzések segítenek: Adatminőség ellenőrzésében Releváns adatok detektálásában Modellezési koncepció kialakításában

27 Modellezés szakértői tudással Teljes sokaság (1,25%) I. Volt negatív esemény az elmúlt fél évben (5,89%%) Nem volt negatív esemény az elmúlt fél évben (1,05%%) II. Nem adott be mérleget ben (1,98%) III. Adott be mérleget ben (0,25%%) Jelen esetben az elemző úgy döntött, hogy 3 modellt épít 3 különböző szegmensre (már maga a szegmentálás egy modell)

28 (1,25%) Modellezés szakértői tudással I. Volt negatív esemény az elmúlt fél évben (5,89%%) Nem volt negatív esemény az elmúlt fél évben (1,05%%) II. Nem adott be mérleget ben (1,98%) III. Adott be mérleget ben (0,25%%)

29 Kiértékelés üzleti szemüvegen keresztül SCORE Darabszám Negatív esemény valószínűsége II. Félévben A ,9% B ,5% C ,5% D ,4% E ,1% A kapott score-ok alapján kialakíthatók szegmensek, melyek jól használhatók üzleti folyamatokban

30 Milyen adatokon tudunk adatbányászati modelleket építeni?

31 Adatleltár PREDIKCIÓ SZEGMENTÁCIÓ Szerződés kötés Demográfia Termék/ szolgáltatás Ügynök X XXX XX (termék affinitás) XX X - Aktív periódus Viselkedés adatok Számla fizetés Ügyfélszolgálati kapcsolat Kampány Felmondás XXX X (vagy több?) X (churn) X (attitűd) XX (churn) X (attitűd) XX (termék affinitás) X (attitűd) XX (churn) -

32 Hogyan használjuk az adatokat? DW Ömlesztve Az adattárházban lévő adatokat egy az egyben inputként adjuk az adatbányászati eljárásnak majd a modellezés ezen alapadatokon történik Adott vállalat összes ügyfeléről egységes információ halmaz. Feldolgozva Az adattárházban lévő adatokból attitűd jellegű képzett változót készítünk és ezen változókon történik a szegmentáció (pl. aki minden hónap 5-én csekken fizeti be a számlát az precíz, )

33 Az adatbányászati algoritmusok táblázatokat várnak Az összes data mining algoritmus táblázat formátumú adatokat tud kezelni azaz sorok és oszlopok strukturált formában (SQL táblák)

34 Milyen egy jó adatbányászati tanító adatbázis? Ügyfél-centrikus adatbázis (vagy termék centrikus, stb.): végső cél: 1 ügyfél 1 rekord struktúra létrehozása Az adatok zaj mentesek a dm algoritmusok egy része nem tudja kezelni a hiányzó értékeket A szélsőséges értékek deviancia mentes adatbázis Kategória változók támogatása jól interpretálható eredmények

35 Egy sor egy ügyfelet ( t, káresetet, szerződést, ) ír le szabály Minden egyes sor egy- egy ügyfelet jelöl: 1. Egy múltbeli időpillanatban mit tudtunk róla? (input változók) 2. Mi történt vele utána? (célváltozó) Ügyfél

36 Az összegyűjtött adatokról miket kell tudnunk! Nagyon fontos, hogy az összegyűjtött változókat pozícionálni tudjuk: A modellezésnél mi a szerepe (input, output) Mit is ír le pontosan? Változó típusa mennyire tudja kezelni az algoritmus (pl. diszkrét értéket sok szegmentáló eljárás nem tud jól kezelni) Elérhetőség mennyire bonyolult előállítani (modell később alkalmazható legyen) Mennyire megbízható az adat Információ tartalom (szórás, korreláció a célváltozóval)

37 Összefoglalás Adatbányászat szerepe továbbra is jelentős amennyiben megfelelően használjuk Nem kell bonyolult modell elég ha használható Big Data ne akarjunk minden elemezni! X-Mining adatkinyerésre használjuk és utána elemezzünk

Fiktív cégek a hálóban

Fiktív cégek a hálóban Fiktív cégek a hálóban datastream 2018 konferencia Kovács Gyula Andego Tanácsadó Kft. Magunkról 2010-ben alapították magánszemélyek (az alapítók több mint egy évtizedes BI tapasztalatokkal rendelkeznek)

Részletesebben

The nontrivial extraction of implicit, previously unknown, and potentially useful information from data.

The 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

Részletesebben

Tartalom. 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. 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

Részletesebben

Adatbányászat a felhőben

Adatbányászat a felhőben Adatbányászat a felhőben Kovács Gyula Andego Tanácsadó Kft. 2012 II. Innovatív BI Konferencia Magunkról 2010-ben alapították magánszemélyek (az alapítók több mint egy évtizedes BI tapasztalatokkal rendelkeznek)

Részletesebben

Fiktív cégek a hálóban

Fiktív cégek a hálóban Fiktív cégek a hálóban datastream 2018 konferencia Kovács Gyula Andego Tanácsadó Kft. Magunkról 2010-ben alapították magánszemélyek (az alapítók több mint egy évtizedes BI tapasztalatokkal rendelkeznek)

Részletesebben

Big Data az adattárházban

Big 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

Részletesebben

Hálózati elemzések az üzleti életben. Kovács Gyula Sixtep Kft.

Hálózati elemzések az üzleti életben. Kovács Gyula Sixtep Kft. Hálózati elemzések az üzleti életben Kovács Gyula Sixtep Kft. Hálózat kutatás rövid ismertetése Königsbergi hidak problémája Háttér: A probléma története, hogy a poroszországi Königsberg (most Kalinyingrád,

Részletesebben

Innovatív trendek a BI területén

Innovatív trendek a BI területén Innovatív trendek a BI területén 1 Technológiai trendek 3 BI-TREK kutatás Felmérés az üzleti intelligencia hazai alkalmazási trendjeiről Milyen BI szoftvereket használnak a hazai vállalatok? Milyen üzleti

Részletesebben

Gyors sikerek adatbányászati módszerekkel

Gyors 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

Részletesebben

Változások előtt hol áll a banki (adat)elemzés? Nándorfi György

Változások 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

Részletesebben

A szak specializációi

A szak specializációi A szak specializációi Specializációk A specializációválasztás során a hallgatónak preferenciasorrendet kell megjelölnie, legalább két specializáció megadásával. A specializációkra történő besorolás a hallgatók

Részletesebben

Így 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. 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

Részletesebben

A webanalitika változó világa 4 felvonásban

A 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

Részletesebben

Gyors sikerek adatbányászati módszerekkel

Gyors 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,

Részletesebben

Papp Attila. BI - mindenkinek

Papp 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

Részletesebben

Adatbányászat az Oracle9i-ben. Fekete Zoltán vezető termékmenedzser Zoltan.Fekete@oracle.com

Adatbányászat az Oracle9i-ben. Fekete Zoltán vezető termékmenedzser Zoltan.Fekete@oracle.com Agenda Az Oracle9i adattárház tulajdonságai Adatbányászat az Oracle9i-ben DM, Personalization az Oracle9i-ben, architektúra Integrált adatbányászat az Oracle CRM-ben Szünet Perszonalizációs felhasználási

Részletesebben

Önkiszolgáló BI Az üzleti proaktivítás eszköze. Budapest,

Önkiszolgáló BI Az üzleti proaktivítás eszköze. Budapest, Önkiszolgáló BI Az üzleti proaktivítás eszköze Budapest, 2016.10.27 Tartalom 1. Kihívások Való Világ 2. Hogyan segít az Önkiszolgáló BI? confidential 10/26/2016 2 Riportokkal szembeni igények alakulása

Részletesebben

Az adatelemző felelőssége tapasztalatok a biztosítási analitikában

Az 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

Részletesebben

Projektvezetői döntések támogatása webbányászattal

Projektvezetői döntések támogatása webbányászattal NETWORKSHOP 2008 2008. március 17-19. Dunaújváros, Dunaújvárosi Főiskola Projektvezetői döntések támogatása webbányászattal Bóta László Ph.D. hallgató (BME) Eszterházy Károly Főiskola, Eger BI (Business

Részletesebben

BEVEZETÉS AZ ADATTÁRHÁZ AUTOMATIZÁLÁSBA

BEVEZETÉS 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

Részletesebben

BIG DATA ELEMZÉSEK LEHETŐSÉGEI

BIG 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

Részletesebben

Változó vásárlói szokások nyomon követése 2016 Szeptember SAP Forum. Komjáthy Csaba

Változó vásárlói szokások nyomon követése 2016 Szeptember SAP Forum. Komjáthy Csaba Változó vásárlói szokások nyomon követése 2016 Szeptember SAP Forum Komjáthy Csaba Digitális átalakulás, nem csak az online boltokban A bolti értékesítés megoszlása a teljes kereskedelmi bevételek tekintetében

Részletesebben

Adatbányászat és Perszonalizáció az Oracle9i-ben

Adatbányászat és Perszonalizáció az Oracle9i-ben Adatbányászat és Perszonalizáció az Oracle9i-ben Oracle9i adatbányászat 2000. szeptember 6. Fekete Zoltán Palaczk Péter Agenda Oracle9i Database Teljes e-business Intelligence infrastruktúra Mi is az adatbányászat?

Részletesebben

Palaczk Péter A marketing folyamatok adattárház alapú támogatása

Palaczk Péter A marketing folyamatok adattárház alapú támogatása Palaczk Péter A marketing folyamatok adattárház alapú támogatása A hatékony marketingtámogatás alapjai Infrastrukturális feltételek Működő vállalati adattárház Megbízható ügyféladatok Beüzemelt adatbányászati

Részletesebben

Ön a megfelelő mennyiségű és minőségű információk alapján hozza meg döntéseit? Stratis Kft. / Autonomy üzleti reggeli / 2014.10.16.

Ön a megfelelő mennyiségű és minőségű információk alapján hozza meg döntéseit? Stratis Kft. / Autonomy üzleti reggeli / 2014.10.16. Ön a megfelelő mennyiségű és minőségű információk alapján hozza meg döntéseit? Stratis Kft. / Autonomy üzleti reggeli / 2014.10.16. Tracsek Ferenc igazgató Alapvető változások kora Az IT iparágban alapvető

Részletesebben

Sikerünk kulcsa: az információ De honnan lesz adatunk? Palaczk Péter

Sikerünk kulcsa: az információ De honnan lesz adatunk? Palaczk Péter Sikerünk kulcsa: az információ De honnan lesz adatunk? Palaczk Péter Bevezető az Oracle9i adattárházas újdonságaihoz Elemzési és vezetői információs igények 80:20 az adatgyűjtés javára! Adattárházak kínálta

Részletesebben

Adatbányászat és Perszonalizáció architektúra

Adatbányászat és Perszonalizáció architektúra Adatbányászat és Perszonalizáció architektúra Oracle9i Teljes e-üzleti intelligencia infrastruktúra Oracle9i Database Integrált üzleti intelligencia szerver Data Warehouse ETL OLAP Data Mining M e t a

Részletesebben

CRM fentről és lentről

CRM fentről és lentről CRM fentről és lentről HOUG 2014 CRM szekció 2014. március 25. Jelinek Tamás CRM üzleti projektvezető (Groupama Garancia Biztosító Zrt.) Blastik Mátyás CRM kompetenciaközpont-vezető (Mortoff Kft.) A Groupama-Garancia

Részletesebben

Ügyfélkapcsolat menedzsment rendszerek nyílt forráskódú szoftverekkel. Herdon Miklós, Kaderják Gyula, Simon András

Ügyfélkapcsolat menedzsment rendszerek nyílt forráskódú szoftverekkel. Herdon Miklós, Kaderják Gyula, Simon András Ügyfélkapcsolat menedzsment rendszerek nyílt forráskódú szoftverekkel Herdon Miklós, Kaderják Gyula, Simon András Mi a CRM? A Customer Relationship Management, vagyis az ügyfélkapcsolat-menedzsment kifejezés

Részletesebben

A tudás handrendbe állítása, azaz SPSS PES

A 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

Részletesebben

Versenyelőnyszerzés az intelligens megoldások korában. Rehus Péter, SWG CEE, IS brand igazgató November 5.

Versenyelőnyszerzés az intelligens megoldások korában. Rehus Péter, SWG CEE, IS brand igazgató November 5. Versenyelőnyszerzés az intelligens megoldások korában Rehus Péter, SWG CEE, IS brand igazgató 2013. November 5. Az új korszak átformálja a üzleti folyamatokat Big Data, közösség, mobil és felhőalapú e-business

Részletesebben

DW/BI rendszerek kialakítása bevezetői szemszögből. Gollnhofer Gábor - Meta Consulting Kft.

DW/BI rendszerek kialakítása bevezetői szemszögből. Gollnhofer Gábor - Meta Consulting Kft. DW/BI rendszerek kialakítása bevezetői szemszögből Gollnhofer Gábor - Meta Consulting Kft. Bemutatkozás Meta Consulting Kft. BI, DW és CRM rendszerek tervezése és kialakítása rendszerintegráció, egyedi

Részletesebben

Csalásfelderítés hálózatokon keresztül. Innovatív BI konferencia, Budapest, 2011. 11. 22.

Csalásfelderítés 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

Részletesebben

Webanalitika a mindennapokban

Webanalitika a mindennapokban Webanalitika a mindennapokban NEEK konferencia 2015.02.19. www.gemius.hu Rólunk A Gemius világszerte Piaci igények széleskörű ismerete Nemzetközi háttér, folyamatos fejlesztés Innovatív üzleti megoldások

Részletesebben

Big Data adattárházas szemmel. Arató Bence ügyvezető, BI Consulting

Big 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

Részletesebben

Termelési és szolgáltatási döntések elemzése Vezetés és szervezés mesterszak

Termelési és szolgáltatási döntések elemzése Vezetés és szervezés mesterszak Termelési és szolgáltatási döntések elemzése Vezetés és szervezés mesterszak Dr. Koltai Tamás egyetemi tanár Menedzsment és Vállalatgazdaságtan Tanszék Tematika Kvantitatív eszközök használata Esettanulmányok

Részletesebben

Mit mond a XXI. század emberének a statisztika?

Mit 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

Részletesebben

Adatbányászati, data science tevékenység projektmenedzsmentje

Adatbányászati, 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

Részletesebben

Adatbányászati, data science tevékenység

Adatbányászati, 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

Részletesebben

ADATTÁRHÁZ MENEDZSMENT ÉS METAADAT KEZELÉS

ADATTÁRHÁZ 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

Részletesebben

Beszerzések adatalapú vizsgálata a 21. században

Beszerzések adatalapú vizsgálata a 21. században Beszerzések adatalapú vizsgálata a 21. században Lajtai Péter ( Magyarország) Gergely Norbert (Clementine - Andego) datastream 2019 2019. május 14. Hogy kapcsolódik a az adatok világához? 1. Klasszikus

Részletesebben

Prediktív analitikai megoldások bankok és biztosítók számára

Prediktív 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

Részletesebben

Digitalizáció a vállalatirányításban - Milyen szerep jut a controllingnak? Budapest,

Digitalizáció a vállalatirányításban - Milyen szerep jut a controllingnak? Budapest, Digitalizáció a vállalatirányításban - Milyen szerep jut a controllingnak? Workshop controlling és teljesítménymenedzsment oktatóknak Budapest, 2019.05.10 MCE PROGRAM Idő Téma Előadó / moderátor 10.00-10.15

Részletesebben

Hogyan lesz adatbányából aranybánya?

Hogyan lesz adatbányából aranybánya? Hogyan lesz adatbányából aranybánya? Szolgáltatások kapacitástervezése a Budapest Banknál Németh Balázs Budapest Bank Fehér Péter - Corvinno Visontai Balázs - KFKI Tartalom 1. Szolgáltatás életciklus 2.

Részletesebben

ADATTÁRHÁZ HATÉKONYSÁGNÖVELÉS, REDUNDANCIA CSÖKKENTÉS Frunza Zsolt ÜZLETI INTELLIGENCIA A JÖVŐ, AHOGY MI LÁTJUK

ADATTÁRHÁZ HATÉKONYSÁGNÖVELÉS, REDUNDANCIA CSÖKKENTÉS Frunza Zsolt ÜZLETI INTELLIGENCIA A JÖVŐ, AHOGY MI LÁTJUK ADATTÁRHÁZ HATÉKONYSÁGNÖVELÉS, REDUNDANCIA CSÖKKENTÉS Frunza Zsolt ÜZLETI INTELLIGENCIA A JÖVŐ, AHOGY MI LÁTJUK TARTALOM 2 1. Miért válik a Redundancia Menedzsment egyre fontosabb kérdéssé? 2. Mit értünk

Részletesebben

SAS szoftverek felhasználási lehetőségei a felsőoktatásban

SAS 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

Részletesebben

Dr. Sasvári Péter Egyetemi docens

Dr. Sasvári Péter Egyetemi docens A magyarországi vállalkozások Üzleti Intelligencia használatának vizsgálata Dr. Sasvári Péter Egyetemi docens II. IRI Társadalomtudományi Konferencia, 2014. április 25-26. Nové Zámky (Érsekújvár) Gymnázium

Részletesebben

Projekt specifikus megvalósítás I. Merre tart az informatikai Hogyan érinti ez a megvalósítást Sándor Tamás

Projekt specifikus megvalósítás I. Merre tart az informatikai Hogyan érinti ez a megvalósítást Sándor Tamás Projekt specifikus megvalósítás I Merre tart az informatikai Hogyan érinti ez a megvalósítást Merre tart az informatika Mi lesz a következő IPAR 4.0 IoT Intelligens Otthon Intelligens Város Önvezető Autó????

Részletesebben

PREDIKTÍV ANALITIKÁVAL A KORAI ISKOLAELHAGYÓK SZÁMÁNAK CSÖKKENTÉSÉÉRT

PREDIKTÍV 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

Részletesebben

AZ ÜGYFÉL KOMMUNIKÁCIÓ ÚJ FORMÁI POZITÍV ÜGYFÉLÉLMÉNY SZÖVEGBÁNYÁSZATI MEGOLDÁSOK

AZ 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

Részletesebben

Költségmegtakarítás járatoptimalizálással. Lukács Lajos Ügyvezető DSS Consulting Kft.

Költségmegtakarítás járatoptimalizálással. Lukács Lajos Ügyvezető DSS Consulting Kft. Költségmegtakarítás járatoptimalizálással Lukács Lajos Ügyvezető DSS Consulting Kft. DSS Consulting Kft. Döntéstámogató rendszerek bevezetése Üzleti- és informatikai tanácsadás Egyedi alkalmazások fejlesztése

Részletesebben

Self service reporting fogások, technikák és megoldások controllereknek, nem csak Excel alapon

Self 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

Részletesebben

Nyílt 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 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?

Részletesebben

Kővári Attila, BI projekt

Kővári Attila, BI projekt Innovatív BI konferencia, 2011-11-22 Kővári Attila, BI projekt Az előadás bemutatja, milyen lehetőségeket és problémákat rejtenek magukban az önkiszolgáló BI rendszerek. Foglalkozik az ilyen rendszereknél

Részletesebben

ocrm rendszer bevezetése a QUAESTOR Csoportnál

ocrm rendszer bevezetése a QUAESTOR Csoportnál ocrm rendszer bevezetése a QUAESTOR Csoportnál Milyen QUAESTOR-t szeretnénk pár év múlva? József Hentesüzlete QUAESTOR Csoport Mielőtt válaszolunk, néhány elgondolkodtató kérdés: Egyikük személyesen ismeri

Részletesebben

Gazdasági informatika alapjai

Gazdasági 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

Részletesebben

Üzleti intelligencia - eszközöktől a megoldásokig

Üzleti intelligencia - eszközöktől a megoldásokig Atlanta Barcelona Berlin Vienna Budapest Bukarest Düsseldorf München Stuttgart Zurich www.ifua.hu Fekete Gábor ügyvezető partner 2007. március 21. Üzleti intelligencia - eszközöktől a megoldásokig IFUA

Részletesebben

IRÁNYTŰ A SZABÁLYTENGERBEN

IRÁNYTŰ A SZABÁLYTENGERBEN IRÁNYTŰ A SZABÁLYTENGERBEN amikor Bábel tornya felépül BRM konferencia 2008 október 29 BCA Hungary A Csapat Cégalapítás: 2006 Tanácsadói létszám: 20 fő Tapasztalat: Átlagosan 5+ év tanácsadói tapasztalat

Részletesebben

Új utak az értékesítésben avagy mikor váltja be az online értékesítés a hozzá fűzött reményeket?

Új utak az értékesítésben avagy mikor váltja be az online értékesítés a hozzá fűzött reményeket? Új utak az értékesítésben avagy mikor váltja be az online értékesítés a hozzá fűzött reményeket? Kővári Zoltán V. MABISZ NEMZETKÖZI BIZTOSÍTÁSI KONFERENCIA, 2014. november 6. Online értékesítés eredményei

Részletesebben

ÉLET A FELHŐBEN - HATÉKONYSÁGNÖVELÉS CLOUD TECHNOLÓGIÁVAL. Baranyi Fanni Microsoft Online Szolgáltatások Értékesítési Szakértő

ÉLET A FELHŐBEN - HATÉKONYSÁGNÖVELÉS CLOUD TECHNOLÓGIÁVAL. Baranyi Fanni Microsoft Online Szolgáltatások Értékesítési Szakértő ÉLET A FELHŐBEN - HATÉKONYSÁGNÖVELÉS CLOUD TECHNOLÓGIÁVAL Baranyi Fanni Microsoft Online Szolgáltatások Értékesítési Szakértő Magunknak állítjuk elő: kapacitáshiány, vagy kapacitástöbblet Közműhálózatok:

Részletesebben

Tipikus konverziós utak - Banki esettanulmány. Media Hungary, május 10. Dunai Zsolt, CIB Bank

Tipikus 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

Részletesebben

Alkalmazott Informatikai Nap Dyntell Business Intelligence

Alkalmazott Informatikai Nap Dyntell Business Intelligence Alkalmazott Informatikai Nap Dyntell Business Intelligence Salga Péter 2015. 10.16. 1 / 13 Miért ültök itt? 2 / 13 Cashflow négyszög 3 / 13 Mit csinál a vezető? 4 / 13 Mi a legfontosabb tudás a vezetőnek?

Részletesebben

A Jövő Internet Nemzeti Kutatási Program bemutatása

A 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

Részletesebben

Az üzleti intelligencia megoldások helye és szerepe a magyar vállalatok életében. Dr. Kovács László Dr. Sasvári Péter Miskolci Egyetem

Az üzleti intelligencia megoldások helye és szerepe a magyar vállalatok életében. Dr. Kovács László Dr. Sasvári Péter Miskolci Egyetem Az üzleti intelligencia megoldások helye és szerepe a magyar vállalatok életében Dr. Kovács László Dr. Sasvári Péter Miskolci Egyetem 1 Mit jelent a BI? Mi jellemzi a BI értelmezésének fejlődését, az értelmezési

Részletesebben

Mérnök informatikus mesterszak mintatanterve (GE-MI) nappali tagozat/ MSc in, full time Érvényes: 2011/2012. tanév 1. félévétől, felmenő rendszerben

Mérnök informatikus mesterszak mintatanterve (GE-MI) nappali tagozat/ MSc in, full time Érvényes: 2011/2012. tanév 1. félévétől, felmenő rendszerben Mérnök informatikus mesterszak mintatanterve (GE-MI) nappali tagozat/ MSc in, full time Érvényes: 2011/2012. tanév 1. félévétől, felmenő rendszerben Tantárgy Tárgykód I. félév ősz II. félév tavasz Algoritmusok

Részletesebben

társadalomtudományokban

társadalomtudományokban Gépi tanulás, predikció és okság a társadalomtudományokban Muraközy Balázs (MTA KRTK) Bemutatkozik a Számítógépes Társadalomtudomány témacsoport, MTA, 2017 2/20 Empirikus közgazdasági kérdések Felváltja-e

Részletesebben

E-CENTRAL SALES AUTOMATION. Tudj mindent ügyfeleidről!

E-CENTRAL SALES AUTOMATION. Tudj mindent ügyfeleidről! E-CENTRAL SALES AUTOMATION Tudj mindent ügyfeleidről! E-CENTRAL MAGYARORSZÁG Alapítva: 2006. tulajdonosok Kerekes József ügyvezető, fejlesztés Dr. Kiss Ágnes Virág támogatás, tanácsadás Célunk: Hatékonyabbá

Részletesebben

Tudásalapú információ integráció

Tudásalapú 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

Részletesebben

Átlátni és rendszerezni Az adatbányászat, a CRM és a piackutatás kapcsolata

Átlátni és rendszerezni Az adatbányászat, a CRM és a piackutatás kapcsolata Átlátni és rendszerezni Az adatbányászat, a CRM és a piackutatás kapcsolata Aki mostanában konferenciákon, elõadásokon jár, vagy különbözõ marketinggel kapcsolatos szaklapokat olvas, nehezen kerülheti

Részletesebben

TDK tájékoztató Gazdaságinformatika Intézeti Tanszék szeptember

TDK tájékoztató Gazdaságinformatika Intézeti Tanszék szeptember TDK tájékoztató Gazdaságinformatika Intézeti Tanszék 2017. szeptember TDK témakörök és tanszéki kutatások, tájékoztató Tisztelt Hallgató, Tájékoztatjuk, hogy a meghirdetett témakörök csak tájékoztató jellegűek,

Részletesebben

Vajda Éva. Bevezetés a keresőmarketingbe

Vajda Éva. Bevezetés a keresőmarketingbe Vajda Éva Bevezetés a keresőmarketingbe Alapfogalmak Fizetett hivatkozások - hirdetés Organikus találatok - ki kell "érdemelni" jó honlappal Organikus vs fizetett hivatkozás Organikus - keresőoptimalizálás

Részletesebben

Merre megy a könyvvizsgálat a digitalizáció korában?

Merre megy a könyvvizsgálat a digitalizáció korában? Merre megy a könyvvizsgálat a digitalizáció korában? XXVI. Országos Könyvvizsgálói Konferencia 2018. szeptember 6. Halmosi Gábor, FCCA kamarai tag könyvvizsgáló Napirend A digitalizáció hatása napjainkra

Részletesebben

Toborzás a Linkedin és okosórák korában A toborzás, mint ügyfélkapcsolat kezelés

Toborzás a Linkedin és okosórák korában A toborzás, mint ügyfélkapcsolat kezelés 1 Toborzás a Linkedin és okosórák korában A toborzás, mint ügyfélkapcsolat kezelés Dr. Szeles János ProMigCon Kft. ügyvezető Bíró Gábor- ProMigCon Kft. vezető tanácsadó 2 Témakörök A ProMigCon Kft. bemutatása

Részletesebben

Gépi tanulás a gyakorlatban. Bevezetés

Gépi tanulás a gyakorlatban. Bevezetés Gépi tanulás a gyakorlatban Bevezetés Motiváció Nagyon gyakran találkozunk gépi tanuló alkalmazásokkal Spam detekció Karakter felismerés Fotó címkézés Szociális háló elemzés Piaci szegmentáció analízis

Részletesebben

IPAR 4.0 MINTAGYÁR PROJEKT GINOP

IPAR 4.0 MINTAGYÁR PROJEKT GINOP IPAR 4.0 MINTAGYÁR PROJEKT GINOP 1.1.3-16 GINOP 1.1.3 MINTAGYÁR PROJEKT GINOP 1.1.3 MINTAGYÁR KIEMELT PROJEKT Cél: Hazai termelő KKV-k felkészítése az Ipar 4.0 kihívásaira Projekt kód és név: GINOP 1.1.3-16-2017-0001

Részletesebben

AZ 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? 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

Részletesebben

Component Soft 1994-2013 és tovább

Component 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

Részletesebben

Intelligens partner rendszer virtuális kórházi osztály megvalósításához

Intelligens partner rendszer virtuális kórházi osztály megvalósításához Intelligens partner rendszer virtuális kórházi osztály megvalósításához 1. Célkitűzések A pályázat célja egy virtuális immunológiai osztály kialakítása, amelynek segítségével a különböző betegségekkel

Részletesebben

CRM magyarosan? CRM bevezetési stratégiák és tapasztalatok a hazai bankszektorban

CRM magyarosan? CRM bevezetési stratégiák és tapasztalatok a hazai bankszektorban CRM magyarosan? CRM bevezetési stratégiák és tapasztalatok a hazai bankszektorban Tóth Miklós Krisztián FMC Consulting 2006.11.15. Témák Ügyfélkezelési (CRM) megoldások CRM értelmezések, megközelítések

Részletesebben

RapidAnalytics 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 RapidAnalytics Enterprise Edition bevezetés a Telenor Magyarországnál Szakács Balázs - Telenor Magyarország Szücs Imre United Consult Miről lesz szó? Telenor bemutatása Eszközválasztás háttere Igények

Részletesebben

ADATTÁRHÁZAK MINŐSÉGBIZTOSÍTÁSA

ADATTÁRHÁZAK MINŐSÉGBIZTOSÍTÁSA Örülök, hogy találkoztunk! ADATTÁRHÁZAK MINŐSÉGBIZTOSÍTÁSA KŐVÁRI ATTILA BI PROJEKT 1. Oldal - Adattárház fórum 2014 Adattárházak minőségbiztosítása Kővári Attila BI projekt Miért éppen minőségbiztosítás?

Részletesebben

Vezetői információs rendszerek

Vezetői információs rendszerek Vezetői információs rendszerek Kiadott anyag: Vállalat és információk Elekes Edit, 2015. E-mail: elekes.edit@eng.unideb.hu Anyagok: eng.unideb.hu/userdir/vezetoi_inf_rd 1 A vállalat, mint információs rendszer

Részletesebben

Bartimex Kft. Cégbemutató

Bartimex Kft. Cégbemutató Bartimex Kft. Cégbemutató A Bartimex Kft. magyar magánszemélyek tulajdonában álló, bankkártya és informatikai területen tevékenykedő, tanácsadó vállalkozás. Szakértőként elsősorban az üzleti és technológia

Részletesebben

Megszületett a digitális minőségügyi szakember? XXIV. Nemzeti Minőségügyi Konferencia

Megszületett 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,

Részletesebben

Waberer s BI a BO-n túl. WABERER S INTERNATIONAL Nyrt. Szatmári Johanna, Tobak Tamás

Waberer s BI a BO-n túl. WABERER S INTERNATIONAL Nyrt. Szatmári Johanna, Tobak Tamás Waberer s BI a BO-n túl WABERER S INTERNATIONAL Nyrt. Szatmári Johanna, Tobak Tamás 2018.09.10 Tartalom Kik vagyunk a Waberer s számokban Digitális transzformáció a Waberer s-nél Üzleti igények és kihívások

Részletesebben

Soltész Gábor. Önéletrajz Budapest, Lechner Ödön fasor em 26. a.

Soltész Gábor. Önéletrajz Budapest, Lechner Ödön fasor em 26. a. Soltész Gábor Önéletrajz SZEMÉLYI ADATOK Születési dátum: 1983.07.09 Születési hely: Lakcím: Dunaújváros 1095 Budapest, Lechner Ödön fasor 1. 2. em 26. a Telefonszám: +36/20-466-7553 Email: Weboldal: solteszgabor@solteszgabor.com

Részletesebben

hagyományos médiaperformancia és e-kereskedelem mit tanulhat az egyik a másiktól Nagy Barnabás Magyar Telekom

hagyományos médiaperformancia és e-kereskedelem mit tanulhat az egyik a másiktól Nagy Barnabás Magyar Telekom hagyományos médiaperformancia és e-kereskedelem mit tanulhat az egyik a másiktól Nagy Barnabás Magyar Telekom Most A klasszikus hirdetésekben, kampányolásban már nincsenek nagy lehetőségek Elértük a maximumot

Részletesebben

ETL keretrendszer tervezése és implementálása. Gollnhofer Gábor Meta4Consulting Europe Kft.

ETL keretrendszer tervezése és implementálása. Gollnhofer Gábor Meta4Consulting Europe Kft. ETL keretrendszer tervezése és implementálása Gollnhofer Gábor Meta4Consulting Europe Kft. Tartalom Bevezetés ETL keretrendszer: elvárások és hogyan készítsük A mi keretrendszerünk Bevezetési tanulságok

Részletesebben

A hierarchikus adatbázis struktúra jellemzői

A hierarchikus adatbázis struktúra jellemzői A hierarchikus adatbázis struktúra jellemzői Az első adatbázis-kezelő rendszerek a hierarchikus modellen alapultak. Ennek az volt a magyarázata, hogy az élet sok területén első közelítésben elég jól lehet

Részletesebben

Fekete Csaba Csongor Üzleti intelligencia vezető Citibank ZRt.

Fekete 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

Részletesebben

Bemutatkozás. A cég története:

Bemutatkozás. A cég története: Intro 1 Bemutatkozás A cég története: Az IGC-Team jelentős szakmai tapasztalatokkal rendelkező, széles látókörű fiatal szakértőkből álló, öt tagú üzleti tanácsadó és kockázati tőkebefektető csoport A Társaság

Részletesebben

Az Indecs rendszer. Kockázat- és követeléskezelés nagyvállalati környezetben

Az Indecs rendszer. Kockázat- és követeléskezelés nagyvállalati környezetben Késmárki Szoftverfejlesztő Kft Budapest, Cházár András utca 18. Tel.: +36 (1) 794-9199 Mobil: +36 (20) 319-0612 Web: www.kesmarki.com Az Indecs rendszer Kockázat- és követeléskezelés nagyvállalati környezetben

Részletesebben

TANTÁRGYI ADATLAP I. TANTÁRGYLEÍRÁS

TANTÁRGYI ADATLAP I. TANTÁRGYLEÍRÁS TANTÁRGYI ADATLAP I. TANTÁRGYLEÍRÁS 1 ALAPADATOK 1.1 Tantárgy neve TÉRINFORMATIKAI ELEMZÉSEK 1.2 Azonosító (tantárgykód) BMEEOFTA-J1 1.3 A tantárgy jellege kontaktórás tanegység 1.4 Óraszámok típus előadás

Részletesebben

Szabálykezelés a gyakorlatban

Szabálykezelés a gyakorlatban Szabálykezelés a gyakorlatban ILOG-eszközökkel Ivicsics László vezető tanácsadó BCA Hungary 2008. június 25. Üzleti folyamatok és szabályok Üzleti folyamatok Munkautasítások Szabályzatok Példa: Hitelképesség

Részletesebben

Rózsa Tünde. Debreceni Egyetem AGTC, Pannon Szoftver Kft SINCRO Kft. Forrás: http://www.praxa.com.au/practices/erp/publishingimages/erp_visual.

Rózsa Tünde. Debreceni Egyetem AGTC, Pannon Szoftver Kft SINCRO Kft. Forrás: http://www.praxa.com.au/practices/erp/publishingimages/erp_visual. Rózsa Tünde Debreceni Egyetem AGTC, Pannon Szoftver Kft SINCRO Kft Forrás: http://www.praxa.com.au/practices/erp/publishingimages/erp_visual.jpg 2 Kutatási célok Tématerület rövid áttekintése A kiválasztást

Részletesebben

Dokumentum kompozíció

Dokumentum kompozíció Dokumentum kompozíció Dokumentum kompozíció: Központilag létrehozott és menedzselt megszemélyesített tranzakciós, igény alapú és interaktív dokumentumok előállítása Elérhető előnyök: ügyfél elégedettség

Részletesebben

Vanyová Klára. 1. Bevezetés. 2. A rendszereket fejlesztő cégről. A hangbányászat lehetőségei a döntéstámogatásban 2

Vanyová Klára. 1. Bevezetés. 2. A rendszereket fejlesztő cégről. A hangbányászat lehetőségei a döntéstámogatásban 2 Döntéstámogató rendszerek A hangbányászat lehetőségei a döntéstámogatásban (Esszé) 2013. november 6. 1. Bevezetés Ebben az esszében olyan rendszereket szeretnék bemutatni, amelyek hangbányászattal, érzelemdetektálással

Részletesebben

Több mint BI (Adatból üzleti információ)

Több mint BI (Adatból üzleti információ) Több mint BI (Adatból üzleti információ) Vállalati műszaki adattárház építés és üzleti elemzések az ELMŰ-ÉMÁSZ Társaságcsoportnál Papp Imre Geometria Kft MEE, Mátraháza, 2013. szeptember 12. Visszatekintés

Részletesebben

A dashboardok felemelkedése. Mitró Péter

A dashboardok felemelkedése. Mitró Péter A dashboardok felemelkedése Mitró Péter 2012.11.20 TARTALOM Háttér Dashboardok születése Dashboardok virágzása Dashboardok megújulása Összefoglaló 2 HÁTTÉR - MKB-EUROLEASING 150 fő Autó finanszírozás Számításigényes

Részletesebben

Képzés > Hatékonyság > Versenyelőny!

Képzés > Hatékonyság > Versenyelőny! Képzés > Hatékonyság > Versenyelőny! Avagy mit, hogyan és miből képezzünk, hogy a 21. század kihívásai közepette is megőrizzük versenyképességünket A Nemzeti Munkaügyi Hivatal Szak- és Felnőttképzési Igazgatósága

Részletesebben