Cíle supervizovaného učení Ondřej Háva

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "Cíle supervizovaného učení Ondřej Háva"

Transkript

1 Cíle supervizovaného učení Ondřej Háva

2 ACREA CR Využíváme více než 40 let zkušeností IBM s hlavním cílem: řízení rozhodovacích procesů Akvizice SPSS společností IBM v říjnu 2009 Přejmenování SPSS CR na ACREA CR 2011 Výhradní partner IBM pro sw IBM SPSS pro ČR a SR od 1998 Certifikát ISO 9001:2009 Certifikát NBÚ Vyhrazené Přes 700 uživatelských organizací Software pro sběr a statistickou analýzu dat, data mining a predikční modelování, optimalizace a deployment Služby konzultace, řešení dataminingových a analytických projektů, technická podpora Školení sw IBM SPSS, statistika, data mining, výzkum trhu 2 2

3 Produktové portfolio Deployment Správa analytických aktiv a jejich zavedení do praxe IBM SPSS Collaboration and Deployment Services IBM SPSS Decision Management Modelování Tvorba prediktivních modelů IBM SPSS Modeler Sběr dat Sběr dat různými komunikačními kanály IBM SPSS Data Collection Statistiky Zpracování dat a jejich statistická analýza IBM SPSS Statistics 3 3

4 Portfolio služeb Technická podpora softwaru Konzultace Statistická analýza dat Dataminingové projekty Softwarové doplňky Statistický a dataminingový audit Správa vybraných internetových aplikací

5 Portfolio školení Formy kurzů Veřejné kurzy (1denní semestrální) Kurzy na klíč (kurzy dle zadání zákazníků) Rekvalifikační kurzy (programy akreditované MŠMT) Oblasti výuky Software IBM SPSS Statistika a analýza dat Data mining Marketing a marketingový výzkum

6 DM metodologie

7 Pohledy na datamining Akademický Cílem je získat co nejpřesnější model Řešení je určeno pro publikaci v časopise Řešení zpravidla spočívá ve vylepšení modelovacího algoritmu Data miner dělá svou práci tak, aby za ni získal co nejvíce bodů Důraz na inovaci Ohlédnutí za řešením: vědecký článek Komerční Cílem je zvýšit ROI Řešení je určeno pro nasazení do praxe Řešení popisuje algoritmus rozhodování z dat Data miner musí pracovat efektivně, aby si na sebe vydělal Důraz na best practices Ohlédnutí za řešením: případová studie

8 Komerční dataminingové úlohy Akvizice Nábor zákazníků Křížový a následný prodej (Basket Analysis) Zvýšení hodnoty zákazníka Retence (Churn) Prodloužení doby života zákazníka Riziko Prevence selhání Podvody (Fraud) Podpora vyšetřování

9 Skórovací modely Nahrazení experta K čemu je nám umělá inteligence? Zjednodušení složitého problému V kolika dimenzích dokážeme rozhodovat? Projekce do 1D Co reprezentuje skóre?

10 Strojové učení S učitelem Pravděpodobnost aktivace produktu Pravděpodobnost přechodu ke konkurenci Pravděpodobnost selhání Pravděpodobnost podvodu Hodnota zákazníka Doba do selhání / podvodu / nákupu / odchodu Bez učitele Míra podobnosti k typickým profilům Míra anomálie

11 Stanovení dataminingových cílů Projekce obchodních potřeb do dataminingových cílů CRISP-DM Fáze: Business Understanding Úloha: Determine data mining goals

12 Projekce cílů dataminingového projektu Obchodní cíle Zefektivnění / optimalizace procesu akvizice nových zákazníků Zefektivnění / optimalizace kampaní pro stávající zákazníky Optimalizace retenčních kampaní Prevence a řízení rizik Zefektivnění kontrol a vyšetřování Otázky k zamyšlení Jak se stane prospekt zákazníkem? Jaké predikce potřebujeme pro křížový prodej? Zájem o konkrétní produkt? Který produkt? Kdy provést nabídku? Jak oslovit? Který kanál vybrat? Optimalizace kampaně nebo hodnoty zákazníka? Jak se pozná, že zákazník přešel ke konkurenci? Jak je definováno selhání? Co je to podvod?

13 Predikční cíle Co budeme predikovat? Chování? Vlastnost odvozenou z dat? Co bude popisovat skóre? Sklony k chování? Pravděpodobnost výskytu kombinace příznaků? Jak bude využito skóre? K ovlivnění chování / budoucnosti

14 Supervizované modely Při učení se opírají se o známou historii V modelovací matici je cílová proměnná Popisuje skutečné chování následující po predikci Vstupní proměnné musí být dostupné při nasazení do praxe Ale mohou též vycházet z historických údajů Predikce hodnoty výstupní proměnné pro nové případy se promítá do skóre Hodnota cílové proměnné bude stanovena v budoucnosti nebo se ji vůbec nedovíme Budoucí hodnota cílové proměnné může být ovlivněna akcí podmíněnou predikcí

15 Historická data Jak stará data jsou vhodná? Lze využít více historických pohledů na stejného zákazníka? Lze využít metody analýzy časových řad? Zpravidla je třeba zachytit dynamiku chování během tzv. sledovacího období Časové okno stanovené délky Tvořené ekvidistantními snímky Krátké časové řady V rámci přípravy dat se převedou na smysluplné ukazatele na úrovni zákazníka

16 Příklady Kreditní riziko Průměrný / minimální / maximální zůstatek na běžném účtu během posledního půlroku Počet kreditních obratů v posledním kvartálu Pojistné podvody Počet pojistných událostí během posledního roku Doba od poslední změny pojistné smlouvy Retence telekomunikace Počet stížností za poslední rok RFM skóre Recency: doba od posledního odchozího hovoru Frequency: počet odchozích hovorů za poslední měsíc Monetary: Provolané minuty / koruny za poslední měsíc

17 Jak historická data získat? Pravidelné zálohy databází Zatím se nikdy nepodařilo získat Datový sklad s historizací Dobře navržený Vytvoření vlastního datového tržiště Posune realizaci data miningového projektu o několik let

18 Návrh cílové proměnné Existuje přímo v datech V některém snímku po skórování Odvození ze snímků po skórování Vyžaduje know-how a zkušenosti Nedá se efektivně získat Informace v datech není nebo je jí málo Příliš nákladné Přejít na nesupervizované nebo částečně supervizované učení

19 Volba cílové proměnné Kategorizovaná Dichotomická Preferovaný přístup v 90% úloh Nominální Malý počet kategorií Zvážit převod na dichotomickou Číselná Škála Raději omezený interval Rozdělení Extrémy Šikmost Sloučením Vyloučením Samostatným modelem pro každou kategorii

20 Příklad 1: Zacílení marketingové kampaně Obchodní úloha Znásobit míru kladné reakce na zaslané nabídky v marketingové kampani Pozn.: neřešíme jak, čím a kdy oslovit, řešíme koho oslovit Dataminingová úloha Vytvořit skórovací model aplikovatelný na zákazníky nebo prospekty v databázi Skóre by mělo odrážet míru zájmu o nabízený produkt Na základě skóre vytvořit seznam adres pro zaslání nabídky Dávkové skórování

21 Příklad 1: Zacílení marketingové kampaně Získání cílové proměnné Podobná kampaň se v historii realizovala a jsou známy reakce oslovených Předpokládáme, že historický výběr nevyřadil zákazníky, kteří budou mít nyní o produkt zájem Alternativně můžeme udělat kampaň na malém prostém náhodném výběru nebo provést výzkum Výpočet skóre Supervizovaně modelujeme dichotomickou cílovou proměnnou Skóre poskytne dataminingový model Kvalitní DM software poskytne skóre u jakéhokoli modelu Jak byste konstruovali skóre vy?

22 Příklad 2: Selhání úvěru Obchodní úloha Zkvalitnit, zrychlit a automatizovat proces poskytování úvěrů Obezřetně nepřidělit úvěr nespolehlivým žadatelům Snížit míru subjektivního rozhodování při poskytování úvěrů Snížit podíl selhaných popř. vymáhaných úvěrů Dataminingová úloha Vytvořit skórovací model aplikovatelný na žadatele o úvěr Aplikační skórovací karta Pokud má banka více úvěrových produktů, zpravidla je třeba více karet Skóre by mělo odrážet pravděpodobnost selhání Skóre bude vystupovat jako jedno z kritérií ve schvalovacím procesu Skórování v reálném čase

23 Příklad 2: Selhání úvěru Získání cílové proměnné K dispozici jsou data předpisech splátek a pohybech na úvěrových účtech K selhání dlužníka dochází mnohem dříve než je úvěr vymáhán resp. Odstoupen Selhání se definuje na základě počtu dlužných splátek během sledovacího období Např. více než tři dlužné splátky kdykoli během následujícího roku po skórování Výpočet skóre Supervizovaně modelujeme dichotomickou cílovou proměnnou Skóre poskytne dataminingový model Skóre bývá kategorizováno a slouží jako podklad pro zařazení do rizikových tříd Úvěrové podmínky jsou determinovány rizikovou třídou

24 Příklad 3: Praní špinavých peněz Obchodní úloha Automaticky generovat seznam podezřelých transakcí pro pravidelné povinné hlášení regulátorovi Automatizovat schvalování požadovaných finančních operací Vytvořit AML systém Dataminingová úloha Vytvořit soustavu pravidel pro prověření každé finanční transakce Každé pravidlo bude ohodnoceno svojí závažností Nezávislá pravidla, aditivní závažnost Možnost odebírání, přidávání a modifikace pravidel Hledání anomálních vzorů v datech a převod anomálií na pravidla

25 Příklad 3: Praní špinavých peněz Získání cílové proměnné Prokázaných případů praní špinavých peněz je málo A jsou zastaralé Cílová proměnná není v datech a nelze získat výzkumem Nesupervizované modelování nebo částečně supervizované modelování Zákonná pravidla Expertní pravidla Anomálize Supervizované vzory podvodného chování Výpočet skóre Aditivní skóre ze všech pravidel Kategorizace skóre do rizikových skupin Možnost revize při modifikaci pravidel Kombinace kategorií různých sad pravidel Zpravidla supervizovaná a nesupervizovaná pravidla Dvoudimenzionální tabulka všech kombinací

26 DEMO nejdřív paradoxně ukaž modelování s hotovým cílem a pak konstrukci cíle. Ukonči evaluací a deploymentem.

Obohacení dat o statistické výsledky a potenciál jejich využití 2.2.2011

Obohacení dat o statistické výsledky a potenciál jejich využití 2.2.2011 Obohacení dat o statistické výsledky a potenciál jejich využití 2.2.2011 Společnost SPSS CR nyní výhradní partner IBM pro prodej software IBM SPSS v ČR a SR od roku 1998 franchise SPSS Inc. SPSS Inc. vývoj

Více

ANALÝZA NÁKUPNÍHO KOŠÍKU SEMINÁŘ

ANALÝZA NÁKUPNÍHO KOŠÍKU SEMINÁŘ ANALÝZA NÁKUPNÍHO KOŠÍKU SEMINÁŘ 18.11.2012 Radim Tvardek, Petr Bulava, Daniel Mašek U&SLUNO a.s. I Sadová 28 I 702 00 Ostrava I Czech Republic PŘEDPOKLADY PRO ANALÝZU NÁKUPNÍHO KOŠÍKU 18.11.2012 Daniel

Více

Profitabilita klienta v kontextu Performance management

Profitabilita klienta v kontextu Performance management IBM Technical specialist team Pre Sale 26/10/2010 Profitabilita klienta v kontextu Performance management Co všechno řadíme do PM? Automatická data Běžný reporting Pokročilé statistické modely Včera What

Více

Jak využít data o zákaznících ke zvýšení příjmů z prodeje

Jak využít data o zákaznících ke zvýšení příjmů z prodeje Jak využít data o zákaznících ke zvýšení příjmů z prodeje Michal Kadlec Marek Loukotka Lubomíra Červová www.acrea.cz info@acrea.cz Program Dívejte se na budoucnost, ne jen na minulost 1 Jaká data využíváme?

Více

MODERNÍ METODY SEGMENTACE ZÁKAZNÍKŮ Ing. Miloš Uldrich ZÁKAZNICKÁ LOAJALITA A AKVIZICE VE FINANČNÍCH SLUŽBÁCH. StatSoft CR

MODERNÍ METODY SEGMENTACE ZÁKAZNÍKŮ Ing. Miloš Uldrich ZÁKAZNICKÁ LOAJALITA A AKVIZICE VE FINANČNÍCH SLUŽBÁCH. StatSoft CR Váš pomocník pro analýzu dat MODERNÍ METODY SEGMENTACE ZÁKAZNÍKŮ Ing. Miloš Uldrich StatSoft CR StatSoft StatSoft CR Dodavatel komplexních analytických řešení Výhradní dodavatel softwaru STATISTICA pro

Více

IBM SPSS Decision Trees

IBM SPSS Decision Trees IBM Software IBM SPSS Decision Trees Jednoduše identifikujte skupiny a predikujte Stromově uspořádané postupné štěpení dat na homogenní podmnožiny je technika vhodná pro exploraci vztahů i pro tvorbu rozhodovacích

Více

IBM SPSS Modeler Professional

IBM SPSS Modeler Professional IBM SPSS Modeler Professional 16 IBM SPSS Software IBM SPSS Modeler Professional Včasné rozhodnutí díky přesným informacím Metodami data miningu získáte detailní přehled o svém současném stavu i jasnější

Více

IBM SPSS Exact Tests. Přesné analýzy malých datových souborů. Nejdůležitější. IBM SPSS Statistics

IBM SPSS Exact Tests. Přesné analýzy malých datových souborů. Nejdůležitější. IBM SPSS Statistics IBM Software IBM SPSS Exact Tests Přesné analýzy malých datových souborů Při rozhodování o existenci vztahu mezi proměnnými v kontingenčních tabulkách a při používání neparametrických ů analytici zpravidla

Více

Data mining. Letní semestr. únor 2016 - červen 2016. Ondřej Brom lektor, analytik, konzultant spoluautor knihy SPSS Praktická analýza dat

Data mining. Letní semestr. únor 2016 - červen 2016. Ondřej Brom lektor, analytik, konzultant spoluautor knihy SPSS Praktická analýza dat Letní semestr únor 2016 - červen 2016 Ondřej Brom lektor, analytik, konzultant spoluautor knihy SPSS Praktická analýza dat Centrum výuky ACREA Začněte číst v budoucnosti a otevřete si cestu k úspěchu prostřednictvím

Více

Proč studovat matematické programy na ÚMS PřF MU aneb co pak budu dělat

Proč studovat matematické programy na ÚMS PřF MU aneb co pak budu dělat Proč studovat matematické programy na ÚMS PřF MU aneb co pak budu dělat Martin Řezáč 22.1.2011 Co budu po VŠ dělat? Co se dá dělat s matematikou??? Ukázka aktuálních pracovních nabídek: Analytik řízení

Více

Jak si udržet zákazníky a nabídnout jim co nejvíce?

Jak si udržet zákazníky a nabídnout jim co nejvíce? Jak si udržet zákazníky a nabídnout jim co nejvíce? 16. dubna 2010 Presentation title to go here Name of presenter Tradiční produktově orientovaný prodej 1. Produkt 2. Komu ho prodat? 3. Jak? 4. Koupě

Více

GIS jako důležitá součást BI. Jan Broulík, Petr Panec ARCDATA PRAHA, s.r.o.

GIS jako důležitá součást BI. Jan Broulík, Petr Panec ARCDATA PRAHA, s.r.o. GIS jako důležitá součást BI Jan Broulík, Petr Panec ARCDATA PRAHA, s.r.o. ARCDATA PRAHA, s.r.o. THE GEOGRAPHIC ADVANTAGE Motto Sladit operační taktiku s organizační strategií Strategie bez taktiky je

Více

StatSoft Úvod do data miningu

StatSoft Úvod do data miningu StatSoft Úvod do data miningu Tento článek je úvodním povídáním o data miningu, jeho vzniku, účelu a využití. Historie data miningu Rozvoj počítačů, výpočetní techniky a zavedení elektronického sběru dat

Více

Inovační vouchery s Univerzitou Hradec Králové. doc. Ing. Mgr. Petra Marešová, Ph.D. Ing. Richard Cimler

Inovační vouchery s Univerzitou Hradec Králové. doc. Ing. Mgr. Petra Marešová, Ph.D. Ing. Richard Cimler Inovační vouchery s Univerzitou Hradec Králové doc. Ing. Mgr. Petra Marešová, Ph.D. Ing. Richard Cimler Úvod Hlavní směry výzkumu: = Informační technologie = Bioinformatika = Ekonomika a management = Vzdělávání

Více

Manažerská ekonomika KM IT

Manažerská ekonomika KM IT KVANTITATIVNÍ METODY INFORMAČNÍ TECHNOLOGIE (zkouška č. 3) Cíl předmětu Získat základní znalosti v oblasti práce s ekonomickými ukazateli a daty, osvojit si znalosti finanční a pojistné matematiky, zvládnout

Více

Kalendář kurzů. zimní semestr. září 2017 leden Podporujeme Váš profesionální růst

Kalendář kurzů. zimní semestr. září 2017 leden Podporujeme Váš profesionální růst Kalendář kurzů zimní semestr září 2017 leden 2018 Statistika a analýza dat Data mining Marketingové analýzy Software IBM SPSS Podporujeme Váš profesionální růst doc. RNDr. Jan Řehák Vzdělávání v oblastech

Více

Customer Intelligence, aneb Jak může neoblíbená analýza dat usnadnit práci marketingu

Customer Intelligence, aneb Jak může neoblíbená analýza dat usnadnit práci marketingu Customer Intelligence, aneb Jak může neoblíbená analýza dat usnadnit práci marketingu Filip Trojan Applied Analytics Manager, Deloitte Advisory Listopad 2012 Obsah 1. Představení 2. Marketing versus analýza

Více

Objevte vzory v historických datech, které budou sloužit k predikci budoucích událostí, dělejte lepší rozhodnutí a dosáhněte lepších výsledků.

Objevte vzory v historických datech, které budou sloužit k predikci budoucích událostí, dělejte lepší rozhodnutí a dosáhněte lepších výsledků. IBM SPSS Modeler IBM SPSS Software IBM SPSS Modeler Objevte vzory v historických datech, které budou sloužit k predikci budoucích událostí, dělejte lepší rozhodnutí a dosáhněte lepších výsledků. V obchodní

Více

AKCIÍ COLOSSEUM, A.S. RYZE ČESKÁ SPOLEČNOST JIŽ 17 LET NA TRHU BROKER ROKU 2014, 2013, 2012, 2011 BEST FUTURES BROKER 2015

AKCIÍ COLOSSEUM, A.S. RYZE ČESKÁ SPOLEČNOST JIŽ 17 LET NA TRHU BROKER ROKU 2014, 2013, 2012, 2011 BEST FUTURES BROKER 2015 COLOSSEUM, A.S. RYZE ČESKÁ SPOLEČNOST JIŽ 17 LET NA TRHU BROKER ROKU 2014, 2013, 2012, 2011 BEST FUTURES BROKER 2015 BEST ASSET MANAGEMENT COMPANY 2015 ŠIROKÉ PORTFOLIO PRODUKTŮ AKCIE, ETF, CERTIFIKÁTY

Více

Data mining. Zimní semestr. září leden Petra Formánková, ředitelka centra výuky Ondřej Háva, vedoucí analytického oddělení

Data mining. Zimní semestr. září leden Petra Formánková, ředitelka centra výuky Ondřej Háva, vedoucí analytického oddělení Petra Formánková, ředitelka centra výuky Ondřej Háva, vedoucí analytického oddělení Data mining Zimní semestr září 2016 - leden 2017 Centrum výuky ACREA Podporujeme Váš profesionální růst. Centrum výuky

Více

Moderní systémy pro získávání znalostí z informací a dat

Moderní systémy pro získávání znalostí z informací a dat Moderní systémy pro získávání znalostí z informací a dat Jan Žižka IBA Institut biostatistiky a analýz PřF & LF, Masarykova universita Kamenice 126/3, 625 00 Brno Email: zizka@iba.muni.cz Bioinformatika:

Více

Představení společnosti Concordia Consulting CONCORDIA CONSULTING

Představení společnosti Concordia Consulting CONCORDIA CONSULTING Představení společnosti Concordia Consulting CONCORDIA CONSULTING JSME PORADCI V OBLASTI INOVACÍ A NOVÝCH TECHNOLOGIÍ Popis společnosti Proč Concordia Consulting? Concordia Consulting je poradenská společnost,

Více

Jak získat nové a čerstvé adresy? Ing. Miroslav Červenka, Schober Information Group CZ a.s.

Jak získat nové a čerstvé adresy? Ing. Miroslav Červenka, Schober Information Group CZ a.s. Jak získat nové a čerstvé adresy? Ing. Miroslav Červenka, Schober Information Group CZ a.s. Obsah 1 Nové technologie pro získávání adres 2 Listbroking 3 Výběr cílové skupiny - příklad Seite 2 Nové technologie

Více

IBM SPSS Modeler Premium

IBM SPSS Modeler Premium IBM SPSS Modeler Premium 16 IBM SPSS Software IBM SPSS Modeler Premium Modelování strukturovaných a nestrukturovaných dat, identifikace entit a analýza sociálních sítí IBM SPSS Modeler Premium je software

Více

Fraud management. Richard Dobiš 2.2.2011

Fraud management. Richard Dobiš 2.2.2011 Fraud management Richard Dobiš 2.2.2011 Lidská mysl je úžasný nástroj a když má patričnou zkušenost... Co víc business potřebuje? Odborný odhad HPP al. HPH Zbytečná otázka Kritické množství Projektový

Více

IBM SPSS Neural Networks

IBM SPSS Neural Networks IBM Software IBM SPSS Neural Networks Nové nástroje pro tvorbu prediktivních modelů Aby mohla Vaše organizace zlepšit rozhodovaní ve všech procesních postupech, potřebuje odhalit vztahy a souvislosti v

Více

Skóringový model. Stanovení pravděpodobnosti úpadku subjektu v následujících 12 měsících

Skóringový model. Stanovení pravděpodobnosti úpadku subjektu v následujících 12 měsících BISNODE SKÓRING Skóringový model Stanovení pravděpodobnosti úpadku subjektu v následujících 12 měsících Hodnocení na základě: sofistikovaných matematicko-statistických modelů desítek vstupních parametrů

Více

MORAVSKÁ VYSOKÁ ŠKOLA OLOMOUC

MORAVSKÁ VYSOKÁ ŠKOLA OLOMOUC MORAVSKÁ VYSOKÁ ŠKOLA OLOMOUC partner pro byznys inovace MORAVSKÁ VYSOKÁ ŠKOLA OLOMOUC Hlavní zaměření: Odborná specializace: EKONOMIKA a MANAGEMENT Inovační management Informační a komunikační technologie

Více

Jak přetavit data v hodnotné informace, které nesou peníze

Jak přetavit data v hodnotné informace, které nesou peníze Powered by Jak přetavit data v hodnotné informace, které nesou peníze Martina Dvořáková 19. 10. 2014 KDO CO KDY??? 2 Zaměřeno na prodej Potřebujeme zisk, co budeme prodávat? 4 Ten náš je nejlepší 5 Produkt

Více

Credit scoring. Libor Vajbar Analytik řízení rizik. 18. dubna 2013. Brno

Credit scoring. Libor Vajbar Analytik řízení rizik. 18. dubna 2013. Brno Credit scoring Libor Vajbar Analytik řízení rizik 18. dubna 2013 Brno 1 PROFIL SPOLEČNOSTI Home Credit a.s. přední poskytovatel spotřebitelského financování Úvěrové produkty nákup na splátky u obchodních

Více

SEGMENTACE ZÁKAZNÍKŮ PRO E-COMMERCE. Jan Matoušek

SEGMENTACE ZÁKAZNÍKŮ PRO E-COMMERCE. Jan Matoušek SEGMENTACE ZÁKAZNÍKŮ PRO E-COMMERCE Jan Matoušek Zaměření prezentace Téma: Proč některé segmentace fungují a jiné ne Žadné ohromující manažerské schéma Praxe a zkušenosti z 9-ti let tvorby segmentací Telco

Více

Moderní metody automatizace a hodnocení marketingových kampaní

Moderní metody automatizace a hodnocení marketingových kampaní Moderní metody automatizace a hodnocení marketingových kampaní SAS CI Roadshow 2014 24/09/2014 Vít Stinka Agenda Představení společnosti Unicorn Systems Aliance Unicorn Systems a SAS Celkový koncept Customer

Více

Program INOVACE II - Kritéria pro výběr projektu

Program INOVACE II - Kritéria pro výběr projektu Program INOVACE II - Kritéria pro výběr projektu Pro každý projekt jsou tyto typy kritérií: A) Musí být splněno kritéria typu ANO/NE pokud všechna tato kritéria nejsou splněna, projekt nepostupuje dále.

Více

Kalendář kurzů. Zimní semestr září 2015 - leden 2016. Praha / Bratislava. Statistika a analýza dat Data mining Software IBM SPSS a IBM Cognos

Kalendář kurzů. Zimní semestr září 2015 - leden 2016. Praha / Bratislava. Statistika a analýza dat Data mining Software IBM SPSS a IBM Cognos Kalendář kurzů a analýza dat Software IBM SPSS a IBM Cognos Zimní semestr září 2015 - leden 2016 Praha / Bratislava Vladimíra Kozojedová - manažerka pro kurzy CV Michal Kadlec - analytik, lektor, konzultant

Více

Aplikace moderních analytických a optimalizačních metod na data získaná z technologií Smart Metering

Aplikace moderních analytických a optimalizačních metod na data získaná z technologií Smart Metering Aplikace moderních analytických a optimalizačních metod na data získaná z technologií Smart Metering Ing. Michal Osladil, Ph.D., IBM Global Business Services CZ, SK & HU Datová exploze Každým dnem je generováno

Více

Specifika bankovního prostředí při monitoringu a analýze bezpečnostních incidentů. RNDr. Ondřej Zýka Profinit

Specifika bankovního prostředí při monitoringu a analýze bezpečnostních incidentů. RNDr. Ondřej Zýka Profinit Specifika bankovního prostředí při monitoringu a analýze bezpečnostních incidentů RNDr. Ondřej Zýka Profinit Obsah Popis situace Architektura systému Specifika bankovního sektoru Praktický příklad Přínosy

Více

P A N E L B O O K 2014

P A N E L B O O K 2014 P A N E L B O O K 2014 2 65 000 respondentů v České Republice 25 000 respondentů na Slovensku ČESKÝ a SLOVENSKÝ národní panel Sloučením online panelů předních českých výzkumných agentur STEM/MARK, NMS

Více

Role BI v e-business řešeních pohled do budoucnosti

Role BI v e-business řešeních pohled do budoucnosti Ing. Ota Novotný, Ph.D. katedra informačních technologií Vysoká škola ekonomická v Praze novotnyo@vse.cz katedra informačních technologií VŠE Praha jsme uznávanou autoritou v oblasti aplikované informatiky

Více

Problémové domény a jejich charakteristiky

Problémové domény a jejich charakteristiky Milan Mišovič (ČVUT FIT) Pokročilé informační systémy MI-PIS, 2011, Přednáška 02 1/16 Problémové domény a jejich charakteristiky Prof. RNDr. Milan Mišovič, CSc. Katedra softwarového inženýrství Fakulta

Více

Segmentace, typologie. Základy marketingového výzkumu

Segmentace, typologie. Základy marketingového výzkumu Segmentace, typologie 1 Přehled lekce Proč Metodologie Jednotlivé nástroje, ukázky 2 Proč segmentaci? Na dnešních trzích jsou dva protikladné trendy: 1) Trhy se stávají masovými a globálními => unifikace

Více

MORAVSKÁ VYSOKÁ ŠKOLA OLOMOUC. Nabídka Inovačních voucherů

MORAVSKÁ VYSOKÁ ŠKOLA OLOMOUC. Nabídka Inovačních voucherů MORAVSKÁ VYSOKÁ ŠKOLA OLOMOUC Nabídka Inovačních voucherů MORAVSKÁ VYSOKÁ ŠKOLA OLOMOUC Hlavní zaměření: Odborná specializace: EKONOMIKA a MANAGEMENT Inovační management Informační a komunikační technologie

Více

Příprava dat v softwaru Statistica

Příprava dat v softwaru Statistica Příprava dat v softwaru Statistica Software Statistica obsahuje pokročilé nástroje pro přípravu dat a tvorbu nových proměnných. Tyto funkcionality přinášejí značnou úsporu času při přípravě datového souboru,

Více

P R Ů M Y S L O V Ý M A R K E T I N G

P R Ů M Y S L O V Ý M A R K E T I N G P R Ů M Y S L O V Ý M A R K E T I N G 4 ZS, akad.rok 2014/2015 Průmyslový marketing - VŽ 1 Marketingové strategie ZS, akad.rok 2014/2015 Průmyslový marketing - VŽ 2 Klasifikace marketingových strategií

Více

Dobývání a vizualizace znalostí

Dobývání a vizualizace znalostí Dobývání a vizualizace znalostí Olga Štěpánková et al. 1 Osnova předmětu 1. Dobývání znalostí - popis a metodika procesu a objasnění základních pojmů 2. Nástroje pro modelování klasifikovaných dat a jejich

Více

Neuronové časové řady (ANN-TS)

Neuronové časové řady (ANN-TS) Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci

Více

P R Ů M Y S L O V Ý M A R K E T I N G

P R Ů M Y S L O V Ý M A R K E T I N G P R Ů M Y S L O V Ý M A R K E T I N G 5 ZS, akad.rok 2014/2015 Průmyslový marketing - VŽ 1 M A R K E T I N G O V Ý I N F O R M A Č N Í S Y S T É M ZS, akad.rok 2014/2015 Průmyslový marketing - VŽ 2 Mnoho

Více

Automatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011

Automatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011 Automatická detekce anomálií při geofyzikálním průzkumu Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011 Cíle doktorandské práce Seminář 10. 11. 2010 Najít, implementovat, ověřit a do praxe

Více

V Brně dne a

V Brně dne a Aktiva v ISMS V Brně dne 26.09. a 3.10.2013 Pojmy ISMS - (Information Security Managemet System) - systém řízení bezpečnosti č informací Aktivum - (Asset) - cokoli v organizaci, co má nějakou cenu (hmotná

Více

METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1

METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1 METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1 DOLOVÁNÍ V DATECH (DATA MINING) OBJEVUJE SE JIŽ OD 60. LET 20. ST. S ROZVOJEM POČÍTAČOVÉ TECHNIKY DEFINICE PROCES VÝBĚRU, PROHLEDÁVÁNÍ A MODELOVÁNÍ

Více

7.6 Další diagramy UML

7.6 Další diagramy UML 7.6 Další diagramy UML 7.6.1 Moduly (balíčky - package) a kolaborace (collaboration) Jak rozložit rozsáhlý systém na menší? - seskupování tříd (prvků modelu) do jednotek vyšší úrovně (package v UML). UI

Více

Projektování informačních systémů - Restaurace

Projektování informačních systémů - Restaurace Mendelova univerzita v Brně Provozně ekonomická fakulta Projektování informačních systémů - Restaurace Semestrální práce Vedoucí práce: doc. Ing. Ivana Rábová, Ph.D. Stratil, Antonič, Kačmár, Vodák Brno

Více

ÚVOD DO BSC - základy metody vyvážených ukazatelů. Ing. Petra Plevová

ÚVOD DO BSC - základy metody vyvážených ukazatelů. Ing. Petra Plevová ÚVOD DO BSC - základy metody vyvážených ukazatelů Ing. Petra Plevová Kvalita Norma ČSN EN ISO 9000:2001 Jakost (resp. synonymum kvalita) je stupeň splnění požadavků souborem typických znaků. Požadavkem

Více

Pokročilé operace s obrazem

Pokročilé operace s obrazem Získávání a analýza obrazové informace Pokročilé operace s obrazem Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 (BFÚ LF MU) Získávání

Více

Architektura informačních systémů. - dílčí architektury - strategické řízení taktické řízení. operativní řízení a provozu. Globální architektura

Architektura informačních systémů. - dílčí architektury - strategické řízení taktické řízení. operativní řízení a provozu. Globální architektura Dílčí architektury Informační systémy - dílčí architektury - EIS MIS TPS strategické řízení taktické řízení operativní řízení a provozu 1 Globální Funkční Procesní Datová SW Technologická HW Aplikační

Více

KATALOG SLUŽEB NÁSLEDNÉ PODPORY

KATALOG SLUŽEB NÁSLEDNÉ PODPORY KATALOG SLUŽEB NÁSLEDNÉ PODPORY Společnost WEBCOM a. s. Vám nabízí kompletní pokrytí Vašich požadavků na zajištění služeb technické podpory Microsoft Dynamics přesně podle Vašich potřeb a v požadovaném

Více

Získávání znalostí z dat

Získávání znalostí z dat Získávání znalostí z dat Informační a komunikační technologie ve zdravotnictví Získávání znalostí z dat Definice: proces netriviálního získávání implicitní, dříve neznámé a potencionálně užitečné informace

Více

Ing. Pavel Rosenlacher

Ing. Pavel Rosenlacher Marketing v sociálních sítích Webová analytika Ing. Pavel Rosenlacher pavel.rosenlacher@vsfs.cz Krátké shrnutí SEO spočívá v lepším zobrazování stránek ve výsledcích vyhledávání na vyhledávačích Souhrnně

Více

GDPR co nastane po květnovém dni D? Martin Hladík 8. března 2018

GDPR co nastane po květnovém dni D? Martin Hladík 8. března 2018 GDPR co nastane po květnovém dni D? Martin Hladík martinhladik@kpmg.cz 8. března 2018 Obsah 1. Best Practice postup pro velké organizace 2. Komponenty řešení GDPR Procesy, metodiky, právní aspekty IT 3.

Více

Centrum pro rozvoj dopravních systémů

Centrum pro rozvoj dopravních systémů Centrum pro rozvoj dopravních systémů SMART CITY VŠB - TU Ostrava Září 2013 Témata 1. Představení centra RODOS 2. První výstupy centra RODOS pilotně provozované systémy Centrum pro rozvoj dopravních systémů

Více

Signpads GE Money Bank Hana Čuboková. 17.Března 2014

Signpads GE Money Bank Hana Čuboková. 17.Března 2014 Signpads GE Money Bank Hana Čuboková 17.Března 2014 Agenda Agenda Proč Signpads Rozdíl mezi dynamickým biometrickým a klasickým podpisem Zavedení Signpads do pobočkové sítě GE Money Bank Signpads z pohledu

Více

Přehled funkčností a parametrů služby Internet Banka

Přehled funkčností a parametrů služby Internet Banka Přehled funkčností a parametrů služby Internet Banka Pasivní operace Zůstatky na účtech Přehled transakcí Přehled příkazů k úhradě zadaných on-line kanály Zobrazení nezaúčtovaných transakcí Zobrazení odmítnutých

Více

České Budějovice. 2. dubna 2014

České Budějovice. 2. dubna 2014 České Budějovice 2. dubna 2014 1 IBM regionální zástupci - Jihočeský kraj Michal Duba phone: +420 737 264 058 e-mail: michal_duba@cz.ibm.com Zdeněk Barlok phone: +420 731 435 534 e-mail: zdenek_barlok@cz.ibm.com

Více

Management informačních systémů. Název Information systems management Způsob ukončení * přednášek týdně

Management informačních systémů. Název Information systems management Způsob ukončení * přednášek týdně Identifikační karta modulu v. 4 Kód modulu Typ modulu profilující Jazyk výuky čeština v jazyce výuky Management informačních systémů česky Management informačních systémů anglicky Information systems management

Více

DESETIDENNÍ VZDĚLÁVACÍ PROGRAM

DESETIDENNÍ VZDĚLÁVACÍ PROGRAM OLOMOUC TRAINING CENTRE s.r.o., Brněnská 47, 779 00 Olomouc tel: 585 417 828, 723 560 038, fax: 585 417 823 e mail: jana.palkova@otc-olomouc.cz N A B Í Z Í M E V Á M DESETIDENNÍ VZDĚLÁVACÍ PROGRAM MARKETING

Více

UČENÍ BEZ UČITELE. Václav Hlaváč

UČENÍ BEZ UČITELE. Václav Hlaváč UČENÍ BEZ UČITELE Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/~hlavac 1/22 OBSAH PŘEDNÁŠKY ÚVOD Učení

Více

Informační technologie požadavky a realizace vzdělávacího procesu

Informační technologie požadavky a realizace vzdělávacího procesu Informační technologie požadavky a realizace vzdělávacího procesu Jaroslav Zelený, IBM ČR, Lubomír Popelínský, MU FI Jaroslav Zelený, IBM ČR 2010 IBM Corporation Obor informačních technologií prochází

Více

Zdravotní pojišťovny Tab. Měsíční odhad ukazatelů hospodaření systému veř. zdravotního pojištění

Zdravotní pojišťovny Tab. Měsíční odhad ukazatelů hospodaření systému veř. zdravotního pojištění Zdravotní pojišťovny Tab. Měsíční odhad ukazatelů hospodaření systému veř. zdravotního pojištění Pokrytí: Zdravotní pojišťovny působící v oblasti veřejného zdravotního pojištění, které jsou zařazeny do

Více

Manažerský informační systém (MIS) Statistická analýza jako služba Bc. Alena Chodounská

Manažerský informační systém (MIS) Statistická analýza jako služba Bc. Alena Chodounská Manažerský informační systém (MIS) Statistická analýza jako služba Bc. Alena Chodounská V Praze, 14.11.2014 Obsah Proč? Komu? Od Koho? Jak? Co? příklady Zdroj obrázku: www.hotbutterstudio.com 2 MIS proč?

Více

Schvalovací proces žádostí o úvěr

Schvalovací proces žádostí o úvěr Schvalovací proces žádostí o úvěr Milan Roupec Embedit (Home Credit International) Martin Řezáč ÚMS PřF MU K čemu schvalovací proces? Posouzení žádosti o úvěr Odhalení pokusů o podvod Falešné údaje na

Více

Pecharova 10, 146 20 PRAHA 4 Tel.: 222 135 544, Fax: 222 135 545 E-Mail: INBOX@MARKENT.CZ

Pecharova 10, 146 20 PRAHA 4 Tel.: 222 135 544, Fax: 222 135 545 E-Mail: INBOX@MARKENT.CZ E-BUSINESS V PODNIKOVÉ SFÉŘE PŘEHLED VÝSLEDKŮ VÝZKUMU Pecharova 1, 146 PRAHA 4 Tel.: 135 544, Fax: 135 545 E-Mail: INBOX@MARKENT.CZ Říjen 1 O č i, které vidí víc Markent, s.r.o., je společnost specializovaná

Více

TEMATICKÉ OKRUHY PRO OPAKOVÁNÍ K MATURITNÍ ZKOUŠCE

TEMATICKÉ OKRUHY PRO OPAKOVÁNÍ K MATURITNÍ ZKOUŠCE strana: 1/8 TEMATICKÉ OKRUHY PRO OPAKOVÁNÍ K MATURITNÍ ZKOUŠCE Název předmětu u maturitní zkoušky: Studijní obor: Ekonomika Podnikání Školní rok: 2012 2013 1.1. Předmět: Ekonomika 1) Předmět ekonomie a

Více

Aplikace IS, outsourcing, systémová integrace. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/

Aplikace IS, outsourcing, systémová integrace. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Aplikace IS, outsourcing, systémová integrace Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Kontext Dodavatelé Strategická Zákazníci ERP Taktická Operativní Kategorie ERP - zaměřeno na

Více

Systémy pro podporu. rozhodování. 2. Úvod do problematiky systémů pro podporu. rozhodování

Systémy pro podporu. rozhodování. 2. Úvod do problematiky systémů pro podporu. rozhodování 1 Systémy pro podporu rozhodování 2. Úvod do problematiky systémů pro podporu rozhodování 2 Připomenutí obsahu minulé přednášky Rozhodování a jeho počítačová podpora Manažeři a rozhodování K čemu počítačová

Více

Role logistiky v ekonomice státu a podniku 1

Role logistiky v ekonomice státu a podniku 1 Obsah KAPITOLA 1 Role logistiky v ekonomice státu a podniku 1 Úvod 2 Definice logistického řízení 2 Vývoj logistiky 5 Systémový přístup/integrace 8 Role logistiky v ekonomice 10 Role logistiky v podniku

Více

Obsah. Kapitola 1. Kapitola 2. Kapitola 3. Úvod 9

Obsah. Kapitola 1. Kapitola 2. Kapitola 3. Úvod 9 Obsah Úvod 9 Kapitola 1 Business Intelligence, datové sklady 11 Přechod od transakčních databází k analytickým..................... 13 Kvalita údajů pro analýzy................................................

Více

2. Modelovací jazyk UML 2.1 Struktura UML 2.1.1 Diagram tříd 2.1.1.1 Asociace 2.1.2 OCL. 3. Smalltalk 3.1 Jazyk 3.1.1 Pojmenování

2. Modelovací jazyk UML 2.1 Struktura UML 2.1.1 Diagram tříd 2.1.1.1 Asociace 2.1.2 OCL. 3. Smalltalk 3.1 Jazyk 3.1.1 Pojmenování 1. Teoretické základy modelování na počítačích 1.1 Lambda-kalkul 1.1.1 Formální zápis, beta-redukce, alfa-konverze 1.1.2 Lambda-výraz jako data 1.1.3 Příklad alfa-konverze 1.1.4 Eta-redukce 1.2 Základy

Více

Okruhy ke státním závěrečným zkouškám Platnost: od leden 2017

Okruhy ke státním závěrečným zkouškám Platnost: od leden 2017 Okruh I: Řízení podniku a projektů: strategický management, inovační management a manažerské rozhodování 1. Základní struktura strategického managementu a popis jednotlivých fází, zhodnocení výstupů a

Více

Obsah Úvod Kapitola 1 Než začneme Kapitola 2 Práce s hromadnými daty před analýzou

Obsah Úvod Kapitola 1 Než začneme Kapitola 2 Práce s hromadnými daty před analýzou Úvod.................................................................. 11 Kapitola 1 Než začneme.................................................................. 17 1.1 Logika kvantitativního výzkumu...........................................

Více

Schválená HZS ČR Květoslava Skalská prosinec 2011

Schválená HZS ČR Květoslava Skalská prosinec 2011 Schválená koncepce požární prevence HZS ČR 2012-2016 Květoslava Skalská prosinec 2011 Koncepce má ukazovat naši budoucnost v následujících 5 letech Hlavní poslání požární prevence Vytvářet účinnou a společensky

Více

1) Má Váš orgán platnou informační koncepci dle zákona 365/2000 Sb.? ano

1) Má Váš orgán platnou informační koncepci dle zákona 365/2000 Sb.? ano Pokyny pro vyplnění: a) na otázky uvedené v tomto dotazníku by měli být schopni odpovědět minimálně vedoucí pracovníci v oblasti informačních technologií, b) v případě, že některá z požadovaných informací

Více

IBM SPSS Direct Marketing

IBM SPSS Direct Marketing IBM Software IBM SPSS Direct Marketing Porozumějte svým zákazníkům a zlepšete marketingové kampaně Jednou z cest, jak vytěžit z Vašich marketingových akcí maximum, je získat co nejvíce informací o Vašich

Více

Technologie ve službách online komunikace

Technologie ve službách online komunikace Technologie ve službách online komunikace Lucie Staňková SAS ČR 4. prosince 2009 Digitální zkušenost E-mail Očekávání? Nízkonákladová komunikace Kreativní, intenzivní a samozřejmě úspěšné Výsledek? Malá

Více

Práce s daty pro větší úspěšnost prodeje a kvalitnější péči

Práce s daty pro větší úspěšnost prodeje a kvalitnější péči Práce s daty pro větší úspěšnost prodeje a kvalitnější péči Petr Bucher, ComGate, 2011 ComGate, a.s. Strana 1 Osnova Kdo jsme / představení ComGate Co nás trápí v oblasti prodeje po telefonu Jak pomůže

Více

ARCHITEKTURA INFORMAČNÍCH SYSTÉMŮ PODLE ÚROVNĚ ŘÍZENÍ

ARCHITEKTURA INFORMAČNÍCH SYSTÉMŮ PODLE ÚROVNĚ ŘÍZENÍ ARCHITEKTURA INFORMAČNÍCH SYSTÉMŮ PODLE ÚROVNĚ ŘÍZENÍ Podle toho, zda informační systém funguje na operativní, taktické nebo strategické řídicí úrovni, můžeme systémy rozdělit do skupin. Tuto pyramidu

Více

Obchodní podmínky www.skoleni-online.eu

Obchodní podmínky www.skoleni-online.eu Obchodní podmínky www.skoleni-online.eu 1) OBECNÁ USTANOVENÍ A VYMEZENÍ POJMŮ Tyto obchodní podmínky platí pro poskytování služeb na internetovém portálu www.skolenionline.eu Podmínky blíže vymezují a

Více

Koncepce rozvoje knihovny v letech Knihovna VŠLG

Koncepce rozvoje knihovny v letech Knihovna VŠLG Koncepce rozvoje knihovny v letech 2016 2020 Činnost knihoven je veřejnou službou a knihovny jsou považovány za instituce veřejného zájmu. Jsou nástrojem základního lidského práva na rovný přístup k informacím,

Více

28.z-8.pc ZS 2015/2016

28.z-8.pc ZS 2015/2016 Ústav technologie, mechanizace a řízení staveb Teorie měření a regulace počítačové řízení 5 28.z-8.pc ZS 2015/2016 2015 - Ing. Václav Rada, CSc. Další hlavní téma předmětu se dotýká obsáhlé oblasti logického

Více

ízení softwarových aktiv bez starostí COMPAREX SoftCare Jaroslav Šabacký Senior Consultant SoftCare, COMPAREX CZ s.r.o.

ízení softwarových aktiv bez starostí COMPAREX SoftCare Jaroslav Šabacký Senior Consultant SoftCare, COMPAREX CZ s.r.o. Jaroslav Šabacký Senior Consultant SoftCare, COMPAREX CZ s.r.o. Softwarová aktiva v čem je problém? Problematika spojená s provozem licence Nakládání s autorským dílem pokrývá primárně zákon č. 121/2000

Více

Webová analytika v kostce. Pavel Jašek Marketing Monday 7. listopadu 2011

Webová analytika v kostce. Pavel Jašek Marketing Monday 7. listopadu 2011 Webová analytika v kostce Pavel Jašek Marketing Monday 7. listopadu 2011 Agenda 1. Webová analytika CO a PROČ 2. Typické úlohy pro různé typy webů 3. Nástroje a lidi 4. Výzvy webové analytiky snímek 2

Více

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1 Logistická regrese Menu: QCExpert Regrese Logistická Modul Logistická regrese umožňuje analýzu dat, kdy odezva je binární, nebo frekvenční veličina vyjádřená hodnotami 0 nebo 1, případně poměry v intervalu

Více

Vnitřní integrace úřadu Středočeského kraje

Vnitřní integrace úřadu Středočeského kraje VIÚ Středočeského kraje, Mgr. Jan Drnovský, Mgr. Václav Pávek 09/11/15 Vnitřní integrace úřadu Středočeského kraje Vnitřní integrace úřadu KUSK Krajský úřad Středočeského kraje 2 Obecné předpoklady řešení

Více

PROCESY CO ZÍSKÁTE: Předpoklad pro certifikace ISO. Lean Six Sigma Fast Track

PROCESY CO ZÍSKÁTE: Předpoklad pro certifikace ISO. Lean Six Sigma Fast Track PROCESY CO ZÍSKÁTE: Jasná pravidla pro provádění činností, uložení know-how Jasně definované zodpovědnosti za celý proces i jednotlivé kroky Zprůhlednění organizace plynoucí z jasně definovaných vstupů,

Více

Budoucnost bankovnictví. Eva Zamrazilová Hlavní ekonom ČBA EURO KONFERENCE, Praha 27. října 2016

Budoucnost bankovnictví. Eva Zamrazilová Hlavní ekonom ČBA EURO KONFERENCE, Praha 27. října 2016 Budoucnost bankovnictví Eva Zamrazilová Hlavní ekonom ČBA EURO KONFERENCE, Praha 27. října 2016 Hlavní otázky Banky a Fintech Překážky pro digitalizaci v bankách Potenciál práce s daty Banky a Fintech

Více

Dreamsystem - expertní neuro systém ve financích s lidskou tváří

Dreamsystem - expertní neuro systém ve financích s lidskou tváří Dreamsystem - expertní neuro systém ve financích s lidskou tváří Vedoucí projektu: RNDr. M. Kopecký, Ph.D. Externí konzultant: M. Houska Počet řešitelů: 4-6 Řešitelé: tým ještě není kompletní Předpokládané

Více

BA_EM Electronic Marketing. Pavel

BA_EM Electronic Marketing. Pavel BA_EM Electronic Marketing Pavel Kotyza @VŠFS Agenda Efektivní data mining jako zdroj relevantních dat o potřebách zákazníků Co je data mining? Je absolutní Je předem neznámý Je užitečný Co jsou data?

Více

Výroční zpráva společnosti Corpus Solutions a.s. za rok Popis účetní jednotky. Název společnosti: Corpus Solutions

Výroční zpráva společnosti Corpus Solutions a.s. za rok Popis účetní jednotky. Název společnosti: Corpus Solutions Výroční zpráva společnosti Corpus Solutions a.s. za rok 2013 Popis účetní jednotky Název společnosti: Corpus Solutions Sídlo:, Praha 4, 140 00 Právní forma: a.s. IČO: 25764616 Rozhodující předmět činnosti:

Více

Marketing Marketingový výzkum

Marketing Marketingový výzkum Výukový materiál zpracován v rámci operačního projektu EU peníze školám Registrační číslo projektu: CZ.1.07/1.5.00/34.0512 Střední škola ekonomiky, obchodu a služeb SČMSD Benešov, s.r.o. Marketing Marketingový

Více

Institucionální rozvojový plán Ostravské univerzity pro rok 2013

Institucionální rozvojový plán Ostravské univerzity pro rok 2013 Institucionální rozvojový plán Ostravské univerzity pro rok 2013 Ostravská univerzita předkládá Institucionální rozvojový plán pro rok 2013, plně vycházející z aktivit stanovených v Aktualizaci dlouhodobého

Více

Infor APS (Scheduling) Tomáš Hanáček

Infor APS (Scheduling) Tomáš Hanáček Infor APS (Scheduling) Tomáš Hanáček Klasické plánovací metody a jejich omezení MRP, MRPII, CRP Rychlost Delší plánovací cyklus Omezená reakce na změny Omezené možnosti simulace Funkčnost Nedokonalé zohlednění

Více