Retro adatbányászat. Kovács Gyula Andego Tanácsadó Kft.
|
|
- Donát Fazekas
- 9 évvel ezelőtt
- Látták:
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 datastream 2018 konferencia Kovács Gyula Andego Tanácsadó Kft. Magunkról 2010-ben alapították magánszemélyek (az alapítók több mint egy évtizedes BI tapasztalatokkal rendelkeznek)
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
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
RészletesebbenAdatbányászat 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)
RészletesebbenFiktív 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)
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
RészletesebbenHálózati 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,
RészletesebbenInnovatív 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
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
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
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
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
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,
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
RészletesebbenAdatbányászat 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
RészletesebbenÖnkiszolgáló 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
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
RészletesebbenProjektvezetői 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
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
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
RészletesebbenVáltozó 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
RészletesebbenAdatbányászat 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?
RészletesebbenPalaczk 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
RészletesebbenÖn 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
RészletesebbenSikerünk 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
RészletesebbenAdatbányászat 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
RészletesebbenCRM 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
RészletesebbenÜgyfélkapcsolat 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
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
RészletesebbenVersenyelőnyszerzés 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
RészletesebbenDW/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
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
RészletesebbenWebanalitika 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
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
RészletesebbenTermelési 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
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
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
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
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
RészletesebbenBeszerzések 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
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
RészletesebbenDigitalizáció 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
RészletesebbenHogyan 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.
RészletesebbenADATTÁRHÁZ 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
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
RészletesebbenDr. 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
RészletesebbenProjekt 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????
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
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
RészletesebbenKöltségmegtakarítás 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
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
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?
RészletesebbenKővári 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
Részletesebbenocrm 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
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
RészletesebbenÜzleti 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
RészletesebbenIRÁNYTŰ 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
RészletesebbenÚj 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
RészletesebbenÉLET 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:
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
RészletesebbenAlkalmazott 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?
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
RészletesebbenAz 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
RészletesebbenMérnök 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
Részletesebbentársadalomtudományokban
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
RészletesebbenE-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
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
RészletesebbenÁtlátni 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
RészletesebbenTDK 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,
RészletesebbenVajda 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
RészletesebbenMerre 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
RészletesebbenToborzás 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
RészletesebbenGépi 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
RészletesebbenIPAR 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
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
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
RészletesebbenIntelligens 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
RészletesebbenCRM 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
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
RészletesebbenADATTÁRHÁZAK MINŐSÉGBIZTOSÍTÁSA
Örülök, hogy találkoztunk! ADATTÁRHÁZAK MINŐSÉGBIZTOSÍTÁSA KŐVÁRI ATTILA BI PROJEKT 1. Oldal - Adattárház fórum 2014 Adattárházak minőségbiztosítása Kővári Attila BI projekt Miért éppen minőségbiztosítás?
RészletesebbenVezetői 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
RészletesebbenBartimex 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
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,
RészletesebbenWaberer 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
RészletesebbenSoltész 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
Részletesebbenhagyományos 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
RészletesebbenETL 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
RészletesebbenA 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
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
RészletesebbenBemutatkozás. 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
RészletesebbenAz 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
RészletesebbenTANTÁRGYI 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
RészletesebbenSzabálykezelés 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
RészletesebbenRózsa 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
RészletesebbenDokumentum kompozíció
Dokumentum kompozíció Dokumentum kompozíció: Központilag létrehozott és menedzselt megszemélyesített tranzakciós, igény alapú és interaktív dokumentumok előállítása Elérhető előnyök: ügyfél elégedettség
RészletesebbenVanyová 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
RészletesebbenTöbb 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
RészletesebbenA 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
RészletesebbenKépzés > 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