Cíle supervizovaného učení Ondřej Háva
|
|
- Veronika Musilová
- před 7 lety
- Počet zobrazení:
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 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
VíceANALÝZA 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
VíceProfitabilita 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
VíceJak 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?
VíceMODERNÍ 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
VíceIBM 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
VíceSTRUČNÝ PRŮVODCE ANALYTICKÝM PROCESEM
SPOLEČNOST ACREA Váš dlouholetý partner v oblasti analýzy dat - od dodání softwaru, přes řešení analytických úkolů, až po výuku statistických a dataminingových metod. STRUČNÝ PRŮVODCE ANALYTICKÝM PROCESEM
VíceIBM 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
VíceData 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
VíceProč 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
VíceIBM 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
VíceJak 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
VíceGIS 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
VíceCustomer 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
VíceManažerská 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
VíceInovační 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
VíceDatová věda (Data Science) akademický navazující magisterský program
Datová věda () akademický navazující magisterský program Reaguje na potřebu, kterou vyvolala rychle rostoucí produkce komplexních, obvykle rozsáhlých dat ve vědě, v průmyslu a obecně v hospodářských činnostech.
VíceStatSoft 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
VícePředstavení 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,
VíceModerní 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:
VíceIBM SPSS Modeler. Hlavní přínosy. Intuitivní ovládání IBM
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. IBM SPSS Modeler je komlpexní
VíceKalendář 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
VíceBIG DATA. Nové úlohy pro nástroje v oblasti BI. 27. listopadu 2012
BIG DATA Nové úlohy pro nástroje v oblasti BI 27. listopadu 2012 AGENDA 1. Úvod 2. Jaké jsou potřeby? 3. Možné řešení 2 Jaké jsou potřeby? Dopady Analýza dat potřeba nového přístupu Jak na nestrukturovaná
VíceFraud 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
VíceData 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
VíceObjevte 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
VíceIBM 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
VíceModerní 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
VíceKatedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group
Vytěžování dat Miroslav Čepek, Filip Železný Katedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group Evropský sociální fond Praha & EU: Investujeme
VíceStatistika a analýza dat Data mining Marketingové analýzy Software IBM SPSS. Kalendář kurzů letní semestr únor červen 2018
Statistika a analýza dat Data mining Marketingové analýzy Software IBM SPSS Kalendář kurzů letní semestr únor červen 2018 O nás Vzdělávání v oblastech Centrum výuky ACREA je vzdělávací instituce, která
VíceAnalýzou dat k efektivnějšímu rozhodování
Analýzou dat k efektivnějšímu rozhodování Chytrá řešení pro veřejnou správu Václav Bahník, ECM Solution Consultant Marek Šoule, ECM Software Sales Representative 8.4.2013 Řízení efektivního poskytování
VíceSkóringový 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
VíceV Brně dne 10. a
Analýza rizik V Brně dne 10. a 17.10.2013 Ohodnocení aktiv 1. identifikace aktiv včetně jeho vlastníka 2. nástroje k ohodnocení aktiv SW prostředky k hodnocení aktiv (např. CRAMM metodika CCTA Risk Analysis
VíceAKCIÍ 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
VíceMORAVSKÁ 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
VíceJak 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
VíceJak 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
VíceIBM 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
VíceSegmentace bankovních zákazníků algoritmem k- means
Segmentace bankovních zákazníků algoritmem k- means LS 2014/2015 Michal Heřmanský xherm22 Obsah 1 Úvod... 3 1.1 CRISP- DM... 3 2 Porozumění problematice a datům... 4 3 Příprava dat... 5 4 Modelování...
VíceKalendář 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
VíceAplikace 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
VíceP 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
VíceCredit 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
VíceSEGMENTACE 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
VíceSpecifika 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
VíceP 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
VíceRole 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
VíceSurfujte v business analýze jako profík. Naučíme Vás podpořit klíčová rozhodnutí firmy.
Surfujte v business analýze jako profík Naučíme Vás podpořit klíčová rozhodnutí firmy. Intuice nestačí. S čím Vám pomůžeme? Firmy čelí narůstající záplavě dat, posilují své analytické schopnosti a hledají
VíceProjektování 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
VíceMORAVSKÁ 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
VíceSegmentace, 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
VíceJak efektivně pracovat s ekonomickými informacemi? Petr Musil Bisnode a.s.
Jak efektivně pracovat s ekonomickými informacemi? Petr Musil Bisnode a.s. INFORMACE VÝZNAM snižují entropii systému; součástí komunikačního procesu. ČLENĚNÍ interní o stavu objektu (výroba, finanční situace,
VíceDobývání 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
VíceV 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
VíceProgram 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.
VíceP 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
VíceProblémové 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
VíceManažerské shrnutí projektu
Identifikace možných úspor a efektivit v oblasti provozních a mandatorních výdajů Ministerstvo spravedlnosti Manažerské shrnutí projektu Vyhodnocení efektivnosti vynakládání rozpočtových zdrojů v resortu
Více5. Umělé neuronové sítě. Neuronové sítě
Neuronové sítě Přesný algoritmus práce přírodních neuronových systémů není doposud znám. Přesto experimentální výsledky na modelech těchto systémů dávají dnes velmi slibné výsledky. Tyto systémy, včetně
VíceAtribuční modely. (aneb, které marketingové aktivity fungují a které ne) Pavel Trejbal
Atribuční modely (aneb, které marketingové aktivity fungují a které ne) Pavel Trejbal 7.11.2013 Co se dnes dozvíte o AM Proč vytvářet atribuční modely Kdy je modelování smysluplné Jaký přístup zvolit Nad
VíceZískávání 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
VíceDESETIDENNÍ 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
VíceSignpads 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
VíceKapacita jako náhodná veličina a její měření. Ing. Igor Mikolášek, Ing. Martin Bambušek Centrum dopravního výzkumu, v. v. i.
Kapacita jako náhodná veličina a její měření Ing. Igor Mikolášek, Ing. Martin Bambušek Centrum dopravního výzkumu, v. v. i. Obsah Kapacita pozemních komunikací Funkce přežití Kaplan-Meier a parametrické
VíceČeské 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
VíceAutomatická 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
VíceNeuronové 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
VíceManagement 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
VícePříprava 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,
VíceO2 a jeho komplexní řešení pro nařízení GDPR
O2 a jeho komplexní řešení pro nařízení GDPR Jiří Sedlák Director Security Expert Center Predikce směru kyberútoků v roce 2017 Posun od špionáže ke kybernetické válce Zdravotnické organizace budou největším
VíceUČENÍ 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
VíceTEMATICKÉ 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
VíceIng. 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
VíceGDPR 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.
VíceDnešní témata Informační systém, informační služba Podnikový informační systém
Dnešní témata Informační systém, informační služba Podnikový informační systém VOŠIS UIM 5 1 Rekapitulace Kde jsou dokumenty? Osobní informační systém Informace v organizaci Veřejné informační systémy
VíceSystémy 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
Více7.6 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
VíceAplikace 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
VíceÚVOD 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
VíceObsah 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...........................................
VíceOkruhy 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
VícePokročilé 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
Více7.6 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
VíceArchitektura 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
VíceCentrum 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
VíceObsah. 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................................................
VíceSchválená 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
VíceKnowledge Management pro Raiffeisenbank. Jak jsme české bance umožnili snadnou tvorbu, schvalování a zpřístupňování aktuálních interních informací
Knowledge Management pro Raiffeisenbank Jak jsme české bance umožnili snadnou tvorbu, schvalování a zpřístupňování aktuálních interních informací Knowledge Management pro Raiffeisenbank Nasazením Knowledge
VíceExponenciální modely hromadné obsluhy
Exponenciální modely hromadné obsluhy Systém s čekáním a neohraničeným zdrojem požadavků Na základě předchozích informací je potřeba probrat, jaké informace jsou dostupné v počtu pravděpodobnosti řešícím
VícePřehled 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
Více2. 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
VíceZáklady tvorby výpočtového modelu
Základy tvorby výpočtového modelu Zpracoval: Jaroslav Beran Pracoviště: Technická univerzita v Liberci katedra textilních a jednoúčelových strojů Tento materiál vznikl jako součást projektu In-TECH 2,
VíceVnitřní 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
VíceIBM 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
VíceARCHITEKTURA 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
VíceKalendář kurzů letní semestr únor červen 2019
a analýza dat Data mining Marketingové analýzy Software IBM SPSS Foto: Created by Freepik.com Kalendář kurzů letní semestr únor červen 2019 O nás V Centru výuky ACREA věříme, že v dnešní době nepřeberného
VíceUčící se klasifikátory obrazu v průmyslu
Učící se klasifikátory obrazu v průmyslu FCC průmyslové systémy s.r.o. FCC průmyslové systémy je technicko obchodní společností, působící v oblasti průmyslové automatizace. Tvoří ji dvě základní divize:
VícePROCESY 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,
VíceVýroční 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