Customer Provider Relationship Monitoring by Association Analyse Means
|
|
- Lenka Blažková
- před 8 lety
- Počet zobrazení:
Transkript
1 Sledování vztahu zákazníka a poskytovatele prostředky asociační analýzy Customer Provider Relationship Monitoring by Association Analyse Means Naděžda Chalupová, Arnošt Motyčka Mendelova zemědělská a lesnická univerzita v Brně Provozně ekonomická fakulta, Ústav informatiky, nadule@pef.mendelu.cz, mot@pef.mendelu.cz Abstrakt Příspěvek se věnuje možnostem využití asociačních pravidel pro podporu manažerského rozhodování. Tato pravidla představují znalosti popisující frekventované vzory vyskytující se v databázi. Možnosti uplatnění asociační analýzy jsou ilustrovány na problému internetového obchodu, který chce přesněji zacílit nabídku svého zboží zákazníkům. Pozornost je věnována formulaci úlohy, předzpracování a přípravě dat pro úlohu a v neposlední řadě také interpretaci získaných znalostí. Pro řešení úlohy bylo použito softwarového nástroje Enterprise Miner společnosti SAS Institute Inc. Abstract The contribution deals with possibilities of association rules using for support of managerial decision-making. These rules represent knowledges describing frequent patterns occurring in database. The possibilities of association analyze application are illustrated on a problem of an internet shop, that wants to target more precisely the offer of its goods for customers. An attention is dedicated to problem formulation, data pre-processing and preparation and last but not least to discovered knowledges interpretation too. Software tool Enterprise Miner by company of SAS Institute Inc. was used for problem solution. Klíčová slova asociační pravidla, asociační analýza, získávání znalostí, podpora rozhodování Keywords Association rules, association analysis, knowledge discovering, decision support 1 Úvod Sledování chování zákazníků je nezbytné, pokud chce firma obstát v současném konkurenčním prostředí trhu. Podnikoví manažeři odpovědní za obchodní úspěch či neúspěch organizace proto potřebují získávat znalosti potřebné pro přijetí správného rozhodnutí. Tyto znalosti představují sofistikované informace ukryté v datech, které má podnik k dispozici. Novotný, Pour a Slánský (2005) uvádějí, že objem dat se v podniku zdvojnásobí v průměru každých pět let, což znamená, že v současné době již není problém data získat a uchovat, ale efektivně je zpracovat a využít jejich potenciál. Možností, jak zmiňované znalosti z dat získat, je využít prostředků tzv. dataminingu. Tento obor se zabývá otázkami, jak nalézt v datech souvislosti, které nejsou přímo zřejmé a které napomáhají lépe porozumět firemním procesům. Jednou z významných metod dataminingu je hledání asociací, které mohou výrazně pomoci například při plánování marketingových strategií, tvorbě produktových balíčků, při péči o zákazníky, detekci podvodů atd. 2 Asociační pravidla Asociační pravidla patří k jedněm z nejčastěji používaných prostředků pro reprezentaci znalostí. Pravidla popisují znalosti vyjadřované obecně konstrukcí IF-THEN, nebo se lze setkat se vztahem (Berka, 2003): předpoklad závěr 37
2 Typické využití asociační analýzy je v souvislosti s tzv. analýzou nákupního košíku. Jejím cílem je nalezení častých vzorů, tj. zjištění, jaké druhy zboží si zákazníci často kupují společně. Asociační pravidla zde vyjadřují určitý závěr vyplývající z analýzy jednotlivých nákupů, například, že když si zákazník koupí nový počítač, kupuje si často i operační systém a antivirový program (Han, Kamber, 2006). Při vytváření pravidel jde o hledání vzájemných vazeb (asociací) mezi různými položkami, přičemž není upřednostňován žádný vztah (Berka, 2003). 2.1 Zajímavost pravidel Skutečnost, zda je nalezené pravidlo pro uživatele analýzy zajímavé a užitečné, určují parametry pravidla, které kvantitativně na základě četností výskytu daných položek hodnotí nalezené znalosti. Základními charakteristikami jsou (Berka, 2003; Han, Kamber, 2006): podpora (support) absolutní, popř. relativní (častěji) počet položek splňujících předpoklad i závěr, spolehlivost (confidence) podmíněná pravděpodobnost závěru, pokud platí předpoklad. Podpora (v relativním vyjádření) tedy značí, jak často se v databázi vyskytuje kombinace určitých položek. Jde o hodnotu vypočtenou na základě vztahu: P( predpoklad zaver) = a a + b + c + d kde: a je počet položek splňujících současně předpoklad i závěr, b je počet položek splňujících předpoklad a nesplňujících závěr, c je počet položek nesplňujících předpoklad, ale splňujících závěr, d je počet položek nesplňujících ani předpoklad ani závěr. V absolutním vyjádření je podpora rovna a. Spolehlivost se též nazývá platnost (validity), konzistence (consistency), nebo správnost (accuracy) a udává, jak často se objeví závěr (důsledek), pokud se vyskytl předpoklad. To vyjadřuje vztah: P(predpoklad zaver) = a a + b kde použité symboly jsou stejného významu jako ve výše uvedeném vztahu. podmíněná pravděpodobnost předpokladu pokud platí závěr nebo kvalita vážený součet spolehlivosti a pokrytí. Berka (2003) se také zmiňuje o dalších pojetích asociačních pravidel, kde se, kromě výše uvedené podpory a spolehlivosti (oboje je zde s přívlastkem deskriptivní), kvantifikuje např. kauzální podpora, kauzální spolehlivost, zajímavost či závislost pravidla. Při generování pravidel se prochází prostor všech přípustných kombinací. Kombinace má svojí délku, což je počet položek, ze kterých se pravidlo skládá. Pokud je např. délka 3, pravidlo má buď dvoupoložkový předpoklad a jednopoložkový závěr nebo naopak. Tímto údajem, tzn. maximálním počtem položek pravidla, často bývá v aplikacích pro generování pravidel toto generování omezováno, neboť příliš velký počet položek pravidla jednak neúměrně zvyšuje výpočetní náročnost úlohy, a také velmi zesložiťuje interpretaci samotného pravidla. 3 Dolovací úloha Řešený problém je zpracován z pohledu internetového obchodu, jehož zájmem je z dostupných dat získat informace o tom, které komodity zákazník prostřednictvím elektronických obchodů často nakupuje a o které by potenciálně mohl mít zájem. Například pro manažera internetového obchodu je zajímavé zjistit, jaká část zákazníků nakupujících přes internet oblečení, nakupuje také knihy nebo vyjádřila svůj zájem nakupovat další druh zboží. Nalezené asociace pak mohou napomoci při tzv. křížovém snahy, jejichž účelem je navýšit objednávku zákazníka doporučením jiných produktů nabízených společností (Clemente, 2004) a následném aktivity, jejichž cílem je nabídnout zákazníkovi vyšší/pokročilejší a tedy i dražší model/verzi produktu) prodeji (Parr Rud, 2001). Na následujícím obrázku je znázorněno blokové schéma řešené úlohy v nástroji Enterprise Miner společnosti SAS Institute Inc. Komponenta WORK.OMNIBUS07_INTERNETOVE_NAKUPOV ANI symbolizuje zdroj dat pro dolování a zajišťuje nahrání těchto dat do úlohy. Komponenta Association představuje algoritmus pro zpracování definovaných dat. 2.2 Další parametry pravidel Kromě výše uvedených základních parametrů asociačních pravidel se sledují další důležité charakteristiky jako např. pokrytí (coverage) 38
3 Obr. 1 Blokové schéma úlohy dolování asociačních pravidel V komponentě datového zdroje jsou také nastaveny role jednotlivých proměnných v modelu (zejména jde o to, které proměnné do modelu vstupují a které jsou cílové) v této úloze vystupují pouze dvě proměnné (o požadované struktuře dat je pojednáno dále), jako cílová je definována proměnná (atribut) vyjadřující minulé a potenciální internetové nákupy zákazníka určeného proměnnou PID, která vstupuje do modelu v roli identifikátoru. V komponentě vyhledávání asociačních pravidel jsou specifikovány tyto parametry omezující generování pravidel: minimální podpora asociace v této úloze nastavená na 10% maximální počet položek pravidla zde nastavená na 3 minimální spolehlivost pro generování pravidla v tomto případě nastavená na 20% 3.1 Zdrojová data K realizaci dolovací úlohy byla použita data poskytnutá Ing. Ladislavem Stejskalem, partnerem a koordinátorem šetření Omnibus 2007 za Ústav marketingu a obchodu Provozně ekonomické fakulty Mendelovy zemědělské a lesnické univerzity Popis a obsah dat Zpracovávaná data reprezentují odpovědi dotazovaných respondentů na jednotlivé otázky z Dotazníku pro občany v rámci šetření OMNIBUS Jedná se o dotazníkové šetření pořádané Vysokou školou evropských a regionálních studií, o.p.s. v Českých Budějovicích ve spolupráci s Českou zemědělskou univerzitou v Praze, Západočeskou univerzitou v Plzni, Vysokou školou polytechnickou v Jihlavě, Mendelovou zemědělskou a lesnickou univerzitou v Brně, Stredoeurópskou vysokou školou ve Skalici a Slovenskou poľnohospodárskou univerzitou v Nitre. Cílem uvedeného šetření je zjištění názorů občanů na otázky týkající se zejména problematiky investičního rozhodování, regionálního rozvoje a veřejné správy, spotřebitelského chování, trhu cestovního ruchu a trhu potravin. Data, která jsou zpracovávána v rámci této dolovací úlohy, mají podobu jedné tabulky o necelých stopadesáti sloupcích a více než dvou tisících řádcích. Každý záznam (řádek) představuje jeden vyplněný dotazník. Jednotlivé atributy (sloupce) představují konkrétní odpověď respondenta na určitou otázku v dotazníku. Tyto atributy mohou také být pouze částí odpovědi, a to v případě, že v odpovědi bylo možné vybrat více variant nebo určit důležitost varianty každá varianta představovala jeden atribut, který mohl nabývat více hodnot. Data byla získána pomocí několika technik sběru dat, např. papírové dotazníky, různé varianty webových formulářových dotazníků (každá instituce podílející se na výzkumu shromažďovala data do svých databází). Z této skutečnosti pak pramenila potřeba sjednotit podobu dílčích datových zdrojů Předzpracování dat Z důvodu výše zmíněné různorodosti zdrojů a i dalších nedostatků v datech bylo nutné všechna data konsolidovat do jediného zdroje a nadále je upravit. Snahou těchto transformací bylo upravit data do jednotného formátu (struktury) vhodného pro dolování. Nežádoucím jevem v datech byly různé logické chyby, například v části dotazníku zjišťující od respondenta základní identifikační údaje docházelo k tomu, že v jedné otázce bylo zadáno státní občanství a v jedné z dalších otázek, nezávisle na výše uvedené odpovědi, vybrán region bydliště, přičemž bylo možné jako státní občanství zadat např. Českou republiku a zároveň z regionů vybrat např. Bratislavský kraj. Tento nesoulad bylo naštěstí možné ve většině případů odstranit dohledáním regionu bydliště respondenta podle uvedené obce a upravením příslušných atributů (špatně uvedeného státu nebo kraje) jiná část šetření se totiž zabývala spokojeností s různými oblastmi života v místě bydliště respondenta a toto bydliště zde bylo také uvedeno. Tímto způsobem často byly i doplněny některé chybějící hodnoty atributů, které bylo možné odvodit z atributů jiných. Z určitých skupin dat byly odstraněny další nesrovnalosti způsobené integrací několika zmiňovaných datových zdrojů. V některých skupinách dat bylo u příslušného atributu uvedeno ano nebo ne (označený příslušný checkbox ve webovém formuláři), v jiných podmnožinách dat byly tyto atributy prázdné a jiný atribut obsahoval souhrnnou odpověď řetězec obsahující označení jednotlivých položek vybraných respondentem (např. mezerami či jinak oddělená písmena a, b, c atd.). Z těchto řetězců byla tato jednotlivá označení (písmena) vyextrahována 39
4 a do příslušného sloupce přenesena správná hodnota např. v MS Excelu v buňkách příslušného sloupce funkcí =KDYŽ(JE.CHYBHODN(NAJÍT("a"; <buňka_s_řetězcem>; 1)); ""; "ano"). Použitím nejen uvedených způsobů vedoucích k vyčištění a zhodnocení dat, se však všechna negativa odstranit nepodařilo. Pro dolování asociačních pravidel v této úloze ale byly použity atributy, jejichž negativa bylo možné odstranit. Zmiňované nedostatky se objevují v atributech, jejichž hodnoty z převážné většiny nebylo možné zařadit do několika (cca max. deseti) kategorií. Takovými jsou např. uvedení různých názorů nebo zdůvodnění spokojenosti či nespokojenosti zákazníka s produktem Příprava dat pro dolování Před vlastním dolováním asociačních pravidel bylo nutné vybrat atributy, které budou do procesu vstupovat a upravit je do podoby zpracovatelné dataminingovým nástrojem. Požadovaná struktura dat je demonstrována následující tabulkou. Tab. 1 Ukázka struktury dat pro dolování asociačních pravidel 1 pivo 1 chleba 1 ovoce 2 pivo 2 čokoláda 2 chleba První sloupec je označení (identifikační číslo) zákazníka, druhý sloupec udává zboží, které zákazník koupil. Nejsou zde uvažovány další faktory, jako je množství zakoupeného druhu výrobku nebo čas jeho zakoupení (předpokládá se, že nákupy všech uvedených položek byly provedeny současně), neboť tyto skutečnosti jednak nebylo možné z odpovědí respondentů získat, a také pro tuto úlohu nejsou důležité pro jednoduchost postačuje informace, zda si zákazník určitý druh zboží někdy prostřednictvím internetového obchodu zakoupil. Pro transformaci zdrojových dat z podoby demonstrované následující tabulkou do požadovaného formátu bylo využito kancelářského databázového systému MS Access. První sloupec tabulky zde opět udává identifikaci zákazníka a další sloupce udávají informaci o tom, zda si zákazník příslušný druh zboží zakoupil či nikoliv. Tab. 2 Ukázka struktury zdrojových dat PID A6_obleceni A6_knihy A6_elektro 1 ano ne ano 2 ano ano ne 3 ano ano ano Příprava dat sestávala ze dvou základních kroků: vybrání požadovaných sloupců tabulky (zdrojových dat) a nahrazení příslušných hodnot novou vhodnější hodnotou vyjadřující nákup či zájem o nákup konkrétního produktu sesypání dvojic položek zákazník nákup do jedné dvousloupcové tabulky. První krok byl realizován SQL příkazem: SELECT PID, IIF(A6_media="ano","eshop_media",NULL) AS A6_media, IIF(A6_elektro="ano","eshop_elektro",NULL) AS A6_elektro, IIF(A6_klenoty="ano","eshop_klenoty",NULL) AS A6_klenoty, IIF(A6_tisk="ano","eshop_tisk",NULL) AS A6_tisk, IIF(A6_kosmetika="ano","eshop_kosmetika", NULL) AS A6_kosmetika, IIF(A6_obleceni="ano","eshop_obleceni",NULL) AS A6_obleceni, IIF(A6_potraviny="ano","eshop_potraviny", NULL) AS A6_potraviny, IIF(A6_jine <> "ne" AND A6_jine IS NOT NULL,"eshop_" & A6_jine,NULL) AS A6_jine, IIF(A8_cerstve="spíše ano" OR A8_cerstve = "rozhodně ano","zajem_cerstve",null) AS A8_cerstve, IIF(A8_trvanlive="spíše ano" OR A8_trvanlive = "rozhodně ano","zajem_trvanlive",null) AS A8_trvanlive, IIF(A8_napoje="spíše ano" OR A8_napoje = "rozhodně ano","zajem_napoje",null) AS A8_napoje, IIF(A8_prumyslove="spíše ano" OR A8_prumyslove = "rozhodně ano", "zajem_kosmetika",null) AS A8_kosmetika FROM omnibus; Při výběru relevantních atributů ze zdrojových dat byly rovnou funkcí IIF nahrazeny hodnoty určitých položek požadovanými hodnotami a to následujícím způsobem: U atributů týkajících se již provedených nákupů v případě, že položka obsahovala hodnotu ano, byla nahrazena řetězcem vyjadřujícím nákup příslušného produktu, v případě, že obsahovala jinou hodnotu ( ne ) nebo neobsahovala žádnou hodnotu, byla tato položka nahrazena hodnotou NULL, tzn. hodnota byla vymazána. U atributů týkajících se zájmu o budoucí elektronické nakupování občanů vyjádřených úrovní tohoto zájmu byly pro jednoduchost položky obsahující hodnotu spíše ano nebo rozhodně ano chápány pouze jako zájem o nákup toho konkrétního produktu ( vážnost toho zájmu nebyla zohledněna). Tyto hodnoty byly 40
5 nahrazeny řetězcem vyjadřujícím zájem o nákup této komodity a ostatní hodnoty byly opět odstraněny. Výsledkem výše uvedeného příkazu byl nový datový zdroj použitý v následujícím příkazu implementujícím druhou fázi přípravy dat. SELECT PID, A6_elektro AS nakup FROM nakupovani WHERE A6_elektro IS NOT NULL UNION SELECT PID, A6_klenoty FROM nakupovani WHERE A6_klenoty IS NOT NULL UNION SELECT PID, A6_media FROM nakupovani WHERE A6_media IS NOT NULL UNION SELECT PID, A6_kosmetika FROM nakupovani WHERE A6_kosmetika IS NOT NULL UNION SELECT PID, A6_obleceni FROM nakupovani WHERE A6_obleceni IS NOT NULL UNION SELECT PID, A6_potraviny FROM nakupovani WHERE A6_potraviny IS NOT NULL UNION SELECT PID, A6_tisk FROM nakupovani WHERE A6_tisk IS NOT NULL UNION SELECT PID, A6_jine FROM nakupovani WHERE A6_jine IS NOT NULL UNION SELECT PID, A8_cerstve FROM nakupovani WHERE A8_cerstve IS NOT NULL UNION SELECT PID, A8_trvanlive FROM nakupovani WHERE A8_trvanlive IS NOT NULL UNION SELECT PID, A8_kosmetika FROM nakupovani WHERE A8_kosmetika IS NOT NULL UNION SELECT PID, A8_napoje FROM nakupovani WHERE A8_napoje IS NOT NULL; V tomto druhém kroku šlo již pouze o sloučení výsledků několika dotazů obsahujících vždy dvojici zákazník nákup/zájem o nákup určitého druhu produktu, kde druhá položka dvojice byla neprázdná (obsahovala řetězec vyjadřující nákup či zájem o nákup příslušného druhu produktu). Konečná tabulka sestávala ze dvou sloupců (viz tab. 1) a téměř čtyřech tisíc (přesně 3965) řádků. 3.2 Výsledky a jejich interpretace I přes výše uvedená nastavená omezení generování pravidel, byla z dat vytvořena stovka asociačních pravidel, z nichž pouze některá pro koncového uživatele analýzy lze považovat za zajímavá. Čím vyšší je podpora a spolehlivost, tím má pravidlo větší vypovídací hodnotu a je tedy i zajímavější. Výsledkům, které mají malou podporu, nelze přikládat velkou důležitost. Seznam a význam některých nejzajímavějších pravidel následuje: zajem_napoje zajem_kosmetika [podpora: 25.45%, spolehlivost: 78.67%] ve čtvrtině všech transakcí (druhy zboží nakoupené přes internet či zájmů o nákupy určitých druhů zboží přes internet) se vyskytují tyto dvě položky (zájem o nákup nápojů a kosmetiky) společně téměř 80% respondentů, kteří uvedli, že mají zájem o nákup nápojů přes internet, také uvedli, že mají zájem o nákup kosmetiky přes internet eshop_tisk zajem_napoje [podpora: 10.52%, spolehlivost: 36.94%] v cca 10% všech transakcí se vyskytuje společně nákup tiskovin a zájem o nákup nápojů přibližně v 37% všech transakcí, kde zákazník nakupuje přes internet tiskoviny, má také zájem o nákup nápojů 4 Závěr Postupy uvedené v tomto příspěvku demonstrují možnosti využití prostředků dataminingu v řízení vztahu se zákazníky (CRM Customer Relationship Management) v oblasti odhalování zajímavých vzorců chování stávajících zákazníků. Asociační pravidla mohou manažerovi pomoci především ve fázi hledání řešení problému např. jak zvýšit prodej dokážou napovědět při sestavování cílených nabídek (jaké produkty nabídnout při koupi jiných produktů). Je však nutné zdůraznit skutečnost, že aby bylo možné vzniklá pravidla použít jako podklad pro rozhodnutí o podobě nabídek, je samozřejmě nutné přihlédnout k charakteru dat. Jak bylo zmíněno v článku, v tomto případě data představují odpovědi respondentů dotazníkového šetření, kde není možné ošetřit pravdivost odpovědí nebo náhodnost toho, že někdo v dotazníku něco rychle nakliká (či zaškrtne) na rozdíl například od reálných podnikových dat, které obsahují skutečné výsledky chování zákazníků (jejich skutečné nákupy, placení apod.). Ne vždy je proto možné datům (a tedy i pravidlům) plně důvěřovat a záleží výhradně na osobě manažera, do jaké míry se nechá v rozhodování výsledky analýzy ovlivnit. Literatura [1] Berka, P. Dobývání znalostí z databází. 1. vyd. Praha: Academia, 2003, 368. s. ISBN [2] Clemente, M. N. Slovník marketingu. 1. vyd. Brno: Computer Press, 2004, 378 s. ISBN [3] Han, J., Kamber, M. Data Mining Concepts and Techniques. 2. vyd. San Francisco: Morgan Kaufmann, 2006, 800 s. ISBN [4] Novotný, O., Pour, J., Slánský, D. Business Intelligence Jak využít bohatství ve vašich datech. 1. vyd. Praha: Grada Publishing, 2005, 256 s. ISBN [5] Parr Rud, O. Data Mining Praktický průvodce dolováním dat pro efektivní prodej, cílený marketing a podporu zákazníků (CRM). 1. vyd. Praha: Computer Press, 2001, 329 s. ISBN
6 Poděkování Článek vznikl za podpory výzkumného záměru Provozně ekonomické fakulty Mendelovy zemědělské a lesnické univerzity v Brně, MSM /03/03/02 a projektu IG s názvem Analýza a návrh využitelnosti prostředků dataminingu při monitorování interakcí subjektů účastnících se procesu obchodování. Ing. Naděžda Chalupová Ústav informatiky PEF MZLU v Brně, Zemědělská 1, Brno nadule@pef.mendelu.cz Doc. Ing. Arnošt Motyčka, CSc. Ústav informatiky PEF MZLU v Brně, Zemědělská 1, Brno mot@pef.mendelu.cz 42
Dolování asociačních pravidel
Dolování asociačních pravidel Miloš Trávníček UIFS FIT VUT v Brně Obsah přednášky 1. Proces získávání znalostí 2. Asociační pravidla 3. Dolování asociačních pravidel 4. Algoritmy pro dolování asociačních
VíceZískávání znalostí z databází. Alois Kužela
Získávání znalostí z databází Alois Kužela Obsah související pojmy datové sklady, získávání znalostí asocianí pravidla 2/37 Úvod získávání znalostí z dat, dolování (z) dat, data mining proces netriviálního
VíceDolování z textu. Martin Vítek
Dolování z textu Martin Vítek Proč dolovat z textu Obrovské množství materiálu v nestrukturované textové podobě knihy časopisy vědeckéčlánky sborníky konferencí internetové diskuse Proč dolovat z textu
VíceZáklady vytěžování dat
Základy vytěžování dat předmět A7Bb36vyd Vytěžování dat Filip Železný, Miroslav Čepek, Radomír Černoch, Jan Hrdlička katedra kybernetiky a katedra počítačů ČVUT v Praze, FEL Evropský sociální fond Praha
VíceZískávání dat z databází 1 DMINA 2010
Získávání dat z databází 1 DMINA 2010 Získávání dat z databází Motto Kde je moudrost? Ztracena ve znalostech. Kde jsou znalosti? Ztraceny v informacích. Kde jsou informace? Ztraceny v datech. Kde jsou
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
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
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
VíceDATABÁZE A SYSTÉMY PRO UCHOVÁNÍ DAT 61 DATABÁZE - ACCESS. (příprava k vykonání testu ECDL Modul 5 Databáze a systémy pro zpracování dat)
DATABÁZE A SYSTÉMY PRO UCHOVÁNÍ DAT 61 DATABÁZE - ACCESS (příprava k vykonání testu ECDL Modul 5 Databáze a systémy pro zpracování dat) DATABÁZE A SYSTÉMY PRO UCHOVÁNÍ DAT 62 Databáze a systémy pro uchování
VíceVYUŽITÍ PROGRAMU DATA MINING V ANALÝZE NÁKUPNÍHO CHOVÁNÍ
VYUŽITÍ PROGRAMU DATA MINING V ANALÝZE NÁKUPNÍHO CHOVÁNÍ Petra Hloušková Stanislava Grosová Definice funkčních potravin: Funkční potraviny jsou potraviny, které se podobají běžným konvenčním potravinám
Více4. blok část A Logické operátory
4. blok část A Logické operátory Studijní cíl Tento blok je věnován představení logických operátorů AND, OR, NOT v jazyce SQL a práce s nimi. Doba nutná k nastudování 1-2 hodiny Průvodce studiem Při studiu
VíceMarketingová komunikace. 2. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK1aPH/N9KMK1bPH (um1a1ph/um1b1ph)
Marketingová komunikace Kombinované studium Skupina N9KMK1aPH/N9KMK1bPH (um1a1ph/um1b1ph) 2. soustředění Mgr. Pavel Vávra 9103@mail.vsfs.cz http://vavra.webzdarma.cz/home/index.htm Minulé soustředění úvod
VíceMETODY 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
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
Více1. Umístěte kurzor do sloupce Datový typ na řádek s polem, ve kterém vytvořit chcete seznam.
10.6.7 POSTUP TVORBY KOMBINOVANÉHO SEZNAMU 1. Umístěte kurzor do sloupce Datový typ na řádek s polem, ve kterém vytvořit chcete seznam. 2. V rozbalovací nabídce se seznamem datových typů vyberte volbu
VíceInformační systémy pro podporu rozhodování
Informační systémy pro rozhodování Informační systémy pro podporu rozhodování 5 Jan Žižka, Naděžda Chalupová Ústav informatiky PEF Mendelova universita v Brně Asociační pravidla Asociační pravidla (sdružovací
VíceZákladní informace o co se jedná a k čemu to slouží
Základní informace o co se jedná a k čemu to slouží založené na relačních databází transakční systémy, které jsou určeny pro pořizování a ukládání dat v reálném čase (ERP, účetní, ekonomické a další podnikové
VícePROJEKT BAKALÁŘSKÉ PRÁCE
PROJEKT BAKALÁŘSKÉ PRÁCE NÁZEV STUDIJNÍHO OBORU NÁZEV BAKALÁŘSKÉ PRÁCE Interní komunikace v návaznosti na odběratelsko-dodavatelské vztahy ve firmě RosenPharma a.s. TERMÍN UKONČENÍ STUDIA A OBHAJOBA (MĚSÍC/ROK)
Více6. blok část C Množinové operátory
6. blok část C Množinové operátory Studijní cíl Tento blok je věnován problematice množinových operátorů a práce s množinovými operátory v jazyce SQL. Čtenáři se seznámí s operátory, UNION, a INTERSECT.
VíceSoučasný stav likvidace dat v organizacích
Současný stav likvidace dat v organizacích Current state of data disposing in organizations Ing. Vít Pěkný Abstrakt Článek prezentuje výsledky zjištěné dotazníkovým šetřením, které bylo realizované v roce
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
VícePODNIKOVÁ INFORMATIKA
GÁLA Libor POUR Jan TOMAN Prokop PODNIKOVÁ INFORMATIKA Obsah O autorech... 11 Na úvod jak chápat tuto knihu... 13 Část I: Principy podnikové informatiky... 17 1. Informatika, aplikovaná informatika, podniková
VíceMetadata. RNDr. Ondřej Zýka
Metadata RNDr. Ondřej Zýka 1 Metadata Jedna z kompetencí Data managementu Cíle kompetence: Zajistit jednotné porozumění a užití termínů Provázat informace na různých úrovních (byznys, aplikační, technické)
VíceFUNKCE 3. Autor: Mgr. Dana Kaprálová. Datum (období) tvorby: září, říjen 2013. Ročník: sedmý. Vzdělávací oblast: Informatika a výpočetní technika
FUNKCE 3 Autor: Mgr. Dana Kaprálová Datum (období) tvorby: září, říjen 2013 Ročník: sedmý Vzdělávací oblast: Informatika a výpočetní technika 1 Anotace: Žáci se seznámí se základní obsluhou tabulkového
VíceDatabáze v MS ACCESS
1 z 14 19.1.2014 18:43 Databáze v MS ACCESS Úvod do databází, návrh databáze, formuláře, dotazy, relace 1. Pojem databáze Informací se data a vztahy mezi nimi stávají vhodnou interpretací pro uživatele,
VíceMarketingová komunikace. 2. a 3. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK3PH (vm3aph)
Marketingová komunikace Kombinované studium Skupina N9KMK3PH (vm3aph) 2. a 3. soustředění Mgr. Pavel Vávra 9103@mail.vsfs.cz http://vavra.webzdarma.cz/home/index.htm Co nás čeká: 2. soustředění 16.1.2009
VíceLeady & MERK Integrace Microsoft Dynamics CRM s aplikacemi Leady a MERK
Integrace Microsoft Dynamics CRM s aplikacemi Leady a MERK Strana 1 z 12 Obsah 1. Leady... 3 a. Shrnutí... 3 b. Popis modulu... 3 c. Technické podrobnosti o modulu... 5 2. MERK... 6 a. Shrnutí... 6 b.
Více8.2 Používání a tvorba databází
8.2 Používání a tvorba databází Slide 1 8.2.1 Základní pojmy z oblasti relačních databází Slide 2 Databáze ~ Evidence lidí peněz věcí... výběry, výpisy, početní úkony Slide 3 Pojmy tabulka, pole, záznam
VíceZáklady databází. O autorech 17 PRVNÍ ČÁST. KAPITOLA 1 Začínáme 19
3 Obsah Novinky v tomto vydání 10 Význam základních principů 11 Výuka principů nezávisle na databázových produktech 12 Klíčové pojmy, kontrolní otázky, cvičení, případové studie a projekty 12 Software,
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
VíceMetadata. MI-DSP 2013/14 RNDr. Ondřej Zýka, ondrej.zyka@profinit.eu
Metadata MI-DSP 2013/14 RNDr. Ondřej Zýka, ondrej.zyka@profinit.eu Co to jsou metadata Chybějící metadata Doplněná metadata Co o metadatech říkají autority Řízení metadata je nepochybně nejdůležitější
VíceMetodika analýzy návštěvnosti horských středisek v České republice. Ondřej Špaček 11. listopadu 2015
Metodika analýzy návštěvnosti horských středisek v České republice Ondřej Špaček 11. listopadu 2015 Přístup k řešení projektu Etapy projektu Výstupy z jednotlivých etap Postup v jednotlivých etapách Část
VíceInformace a znalosti v organizaci
Informace a znalosti v organizaci Vladimíra Zádová Postavení informací a znalostí z hlediska úspěšnosti firmy Vnitřní faktory Rámec 7S faktorů úspěchu firmy [ Mc Kinsey ] Struktura Strategie Systémy Spolupracovníci
VícePopis ovládání. Po přihlášení do aplikace se objeví navigátor. Navigátor je stromově seřazen a slouží pro přístup ke všem oknům celé aplikace.
Popis ovládání 1. Úvod Tento popis má za úkol seznámit uživatele se základními principy ovládání aplikace. Ovládání je možné pomocí myši, ale všechny činnosti jsou dosažitelné také pomocí klávesnice. 2.
VíceStav a vývoj prodeje potravin ve vybrané oblasti v závislosti na rozvoji sítě supermarketů
Česká zemědělská univerzita v Praze Provozně ekonomická fakulta Specializace: Veřejná správa a regionální rozvoj Forma studia: kombinované Školní rok: 2002/2003 Teze diplomové práce: Stav a vývoj prodeje
VíceDATA SUPPORT READER S LOYALTY CONSUMER GUIDE
DATA SUPPORT READER S LOYALTY CONSUMER GUIDE pro Unii vydavatelů Hana Říhová červen 2012 GfK 2012 Nástroje na výzkumnou podporu tisku June 2012 1 Agenda 1. Data Support 2. Reader s Loyalty 3. Consumer
VíceDatabázové systémy. Doc.Ing.Miloš Koch,CSc. koch@fbm.vutbr.cz
Databázové systémy Doc.Ing.Miloš Koch,CSc. koch@fbm.vutbr.cz Vývoj databázových systémů Ukládání dat Aktualizace dat Vyhledávání dat Třídění dat Výpočty a agregace 60.-70. léta Program Komunikace Výpočty
VíceBA_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?
VícePrimární klíč, cizí klíč, referenční integrita, pravidla normalizace, relace
Téma 2.2 Primární klíč, cizí klíč, referenční integrita, pravidla normalizace, relace Obecný postup: Každá tabulka databáze by měla obsahovat pole (případně sadu polí), které jednoznačně identifikuje každý
VícePrimární klíč (Primary Key - PK) Je právě jedna množina atributů patřící jednomu z kandidátů primárního klíče.
Primární a cizí klíč Kandidát primárního klíče (KPK) Je taková množina atributů, která splňuje podmínky: Unikátnosti Minimálnosti (neredukovatelnosti) Primární klíč (Primary Key - PK) Je právě jedna množina
VíceZpráva o výsledcích výzkumu postojů rodičů žáků 5. ročníku k otázkám spravedlivého přístupu ke vzdělávání a překonávání školního neúspěchu
Zpráva o výsledcích výzkumu postojů rodičů žáků 5. ročníku k otázkám spravedlivého přístupu ke vzdělávání a překonávání školního neúspěchu Technická zpráva z šetření Překonávání školního neúspěchu v České
Více4IT218 Databáze. 4IT218 Databáze
4IT218 Databáze Osmá přednáška Dušan Chlapek (katedra informačních technologií, VŠE Praha) 4IT218 Databáze Osmá přednáška Normalizace dat - dokončení Transakce v databázovém zpracování Program přednášek
VíceText Mining: SAS Enterprise Miner versus Teragram. Petr Berka, Tomáš Kliegr VŠE Praha
Text Mining: SAS Enterprise Miner versus Teragram Petr Berka, Tomáš Kliegr VŠE Praha Text mining vs. data mining Text mining = data mining na nestrukturovaných textových dokumentech otázka vhodné reprezentace
VícePersonální bezpečnost v organizacích
Personální bezpečnost v organizacích Personal safety in organizations Ing. Vít Pěkný Abstrakt Článek prezentuje výsledky zjištěné dotazníkovým šetřením, které bylo realizované v roce 2016 a bylo zaměřené
VíceKritéria hodnocení praktické maturitní zkoušky z databázových systémů
Kritéria hodnocení praktické maturitní zkoušky z databázových systémů Otázka č. 1 Datový model 1. Správně navržený ERD model dle zadání max. 40 bodů teoretické znalosti konceptuálního modelování správné
VíceDATABÁZE MS ACCESS 2010
DATABÁZE MS ACCESS 2010 KAPITOLA 5 PRAKTICKÁ ČÁST TABULKY POPIS PROSTŘEDÍ Spuštění MS Access nadefinovat název databáze a cestu k uložení databáze POPIS PROSTŘEDÍ Nahoře záložky: Soubor (k uložení souboru,
VíceINOVATIVNÍ MANAŽER MARKETINGU: INOVATIVNÍ BUSINESS INTELLIGENCE
INOVATIVNÍ MANAŽER MARKETINGU: INOVATIVNÍ BUSINESS INTELLIGENCE E-LEARNING Jan Novák 15. července 2014 Obsah Proč mít data? Zdroje dat (externí a interní) Typy dat tvrdá a měkká Nejčastější chyby při přípravě
VíceProces marketingového výzkumu - jednotlivé fáze, význam, stručná charakteristika. Výběr a formulace výzkumného problému. Vztahy mezi proměnnými.
Proces marketingového výzkumu - jednotlivé fáze, význam, stručná charakteristika. Výběr a formulace výzkumného problému. Projekt. Jednotky analýzy. Proměnné. Vztahy mezi proměnnými. Téma č. 2 Cíle marketingového
VíceBezpečnost úložišť v organizacích
Bezpečnost úložišť v organizacích Storage security in organizations Ing. Vít Pěkný Abstrakt Článek prezentuje výsledky zjištěné dotazníkovým šetřením, které bylo realizované v roce 2016 a bylo zaměřené
VíceHospodářská informatika
Hospodářská informatika HINFL, HINFK Vytvořeno s podporou projektu Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na disciplíny společného základu reg.
VíceCO JE TO SWOT ANALÝZA
SWOT analýza CO JE TO SWOT ANALÝZA Univerzálně používaný nástroj, který mapuje a analyzuje daný jev (například určitý stav, situaci, úkol, problém, pracovní tým, projekt atd.) Umožňuje dívat se na analyzovanou
VíceObsah. Seznam obrázků. Seznam tabulek. Petr Berka, 2011
Petr Berka, 2011 Obsah... 1... 1 1 Obsah 1... 1 Dobývání znalostí z databází 1 Dobývání znalostí z databází O dobývání znalostí z databází (Knowledge Discovery in Databases, KDD) se začíná ve vědeckých
VíceMarketing 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
VíceCHOVÁNÍ SPOTŘEBITELŮ NA TRHU VÍNA V ČR
ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ Ročník LII 15 Číslo 6, 2004 CHOVÁNÍ SPOTŘEBITELŮ NA TRHU VÍNA V ČR H. Chládková
Vícecoachpage.cz MARKETINGOVÝ VÝZKUM Faktory ovlivňující nákupní chování ve vztahu ke koupi automobilu TOOLS for SUCCESS in TODAY s BUSINESS
coachpage.cz TOOLS for SUCCESS in TODAY s BUSINESS MARKETINGOVÝ VÝZKUM Faktory ovlivňující nákupní chování Faktory ovlivňující nákupní chování Hlavní cíl výzkumného projektu Výzkumný projekt si klade za
VíceDoplňování chybějících hodnot v kategoriálních datech 2.00
Doplňování chybějících hodnot v kategoriálních datech 2.00 1. Cíle programu Účelem programu je umožnit uživateli doplnění chybějících hodnot v kategoriálních datech. Pro doplnění chybějících hodnot je
VíceArchitektury Informačních systémů. Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/
Architektury Informačních systémů Jaroslav Žáček jaroslav.zacek@osu.cz http://www1.osu.cz/~zacek/ Nutné pojmy Co je to informační systém? Jaké oblasti zahrnuje? Jaká je vazba IS na podnikovou strategii?
VíceDolování v objektových datech. Ivana Rudolfová
Dolování v objektových datech Ivana Rudolfová Relační databáze - nevýhody První normální forma neumožňuje vyjádřit vztahy A je podtypem B nebo vytvořit struktury typu pole nebo množiny SQL omezení omezený
VíceMetody tvorby ontologií a sémantický web. Martin Malčík, Rostislav Miarka
Metody tvorby ontologií a sémantický web Martin Malčík, Rostislav Miarka Obsah Reprezentace znalostí Ontologie a sémantický web Tvorba ontologií Hierarchie znalostí (D.R.Tobin) Data jakékoliv znakové řetězce
VíceExcel mini úvod do kontingenčních tabulek
UK FHS Řízení a supervize v sociálních a zdravotnických organizacích (ZS 2005+) Kvantitativní metody výzkumu v praxi Excel mini úvod do kontingenčních tabulek (nepovinnáčást pro KMVP) Jiří Šafr jiri.safratseznam.cz
VíceINFORMAČNÍ SYSTÉMY (IS) Ing. Pavel Náplava Katedra počítačů K336, ČVUT FEL Praha 2004/2005
INFORMAČNÍ SYSTÉMY (IS) Ing. Pavel Náplava Katedra počítačů K336, ČVUT FEL Praha 2004/2005 AGENDA definice IS, zavedení pojmů možnosti a rozdělení typická struktura technologie nasazení praktická ukázka
VíceDATABÁZOVÉ SYSTÉMY. Metodický list č. 1
Metodický list č. 1 Cíl: Cílem předmětu je získat přehled o možnostech a principech databázového zpracování, získat v tomto směru znalosti potřebné pro informačního manažera. Databázové systémy, databázové
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,
VíceManažerský GIS. Martina Dohnalova 1. Smilkov 46, 2789, Heřmaničky, ČR MartinaDohnalova@seznam.cz
Manažerský GIS Martina Dohnalova 1 1 VŠB TU Ostrava, HGF, GIS, Smilkov 46, 2789, Heřmaničky, ČR MartinaDohnalova@seznam.cz Abstrakt. Téma této práce je manažerský GIS, jehož cílem je vytvořit prostředek,
VícePORTÁLOVÉ ŘEŠENÍ PERSONÁLNÍHO INFORMAČNÍHO SYSTÉMU
PORTÁLOVÉ ŘEŠENÍ PERSONÁLNÍHO INFORMAČNÍHO SYSTÉMU Ing. Bc. Jaroslav Šmarda Vema, a. s. www.vema.cz e-mail: smarda@vema.cz Klíčová slova Informační systém pro řízení lidských zdrojů, portál, personální
VíceRelační DB struktury sloužící k optimalizaci dotazů - indexy, clustery, indexem organizované tabulky
Otázka 20 A7B36DBS Zadání... 1 Slovníček pojmů... 1 Relační DB struktury sloužící k optimalizaci dotazů - indexy, clustery, indexem organizované tabulky... 1 Zadání Relační DB struktury sloužící k optimalizaci
VíceZáklady business intelligence. Jaroslav Šmarda
Základy business intelligence Jaroslav Šmarda Základy business intelligence Business intelligence Datový sklad On-line Analytical Processing (OLAP) Kontingenční tabulky v MS Excelu jako příklad OLAP Dolování
VíceMulti-dimensional expressions
Multi-dimensional expressions Query sent to cube / returned from cube jazyk pro multidimenzionální dotazy ekvivalent SQL pro multidimenzionální databáze je jen prostředkem pro přístup k datům jako SQL
VíceKOMUNIKACE A LIDSKÉ ZDROJE
PROJEKT BAKALÁŘSKÉ PRÁCE KOMUNIKACE A LIDSKÉ ZDROJE NÁZEV BAKALÁŘSKÉ PRÁCE Marketingová strategie obchodní jednotky (SBU) společnosti ABB v oblasti B2B Leden 2013 TERMÍN UKONČENÍ STUDIA A OBHAJOBA (MĚSÍC/ROK)
VíceInovace CRM systémů využitím internetových zdrojů dat pro malé a střední podniky. Ing. Jan Ministr, Ph.D.
Inovace CRM systémů využitím internetových zdrojů dat pro malé a střední podniky Ing. Jan Ministr, Ph.D. I. Úvod Agenda II. Customer Intelligence (CI),zpracování dat z Internetu III. Analýza obsahu IV.
VíceRegionální produkt a jeho využití na zvýšení tržeb maloobchodní jednotky
Vysoká škola technická a ekonomická v Českých Budějovicích Ústav podnikové strategie Regionální produkt a jeho využití na zvýšení tržeb maloobchodní jednotky Autor bakalářské práce: Lucie Kotrlíková Vedoucí
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...
VíceÚvod do databázových systémů
Vysoká škola báňská Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Úvod do databázových systémů Cvičení 8 Ing. Petr Lukáš petr.lukas@vsb.cz Ostrava, 2014 Opakování Entita Entitní typ
Vícezobrazuje názvy polí, vložené hodnoty jednotlivých záznamů, lze v něm zadávat data (přidávat záznamy) v návrhovém zobrazení:
DUM 02 téma: Tabulky v MS Access ze sady: 3 tematický okruh sady: Databáze ze šablony: 07 - Kancelářský software určeno pro: 2. ročník vzdělávací obor: vzdělávací oblast: číslo projektu: anotace: metodika:
VíceMarketingová komunikace. 3. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK3PH (vm3bph)
Marketingová komunikace Kombinované studium Skupina N9KMK3PH (vm3bph) 3. soustředění Mgr. Pavel Vávra 9103@mail.vsfs.cz http://vavra.webzdarma.cz/home/index.htm Zdroje Studijní materiály Heleny Palovské
VíceMO-ME-N-T MOderní MEtody s Novými Technologiemi
Projekt: Reg.č.: Operační program: Škola: Tematický okruh: Téma: Jméno autora: MO-ME-N-T MOderní MEtody s Novými Technologiemi CZ.1.07/1.5.00/34.0903 Vzdělávání pro konkurenceschopnost Hotelová škola,
VíceZnalostní systém nad ontologií ve formátu Topic Maps
Znalostní systém nad ontologií ve formátu Topic Maps Ladislav Buřita, Petr Do ladislav.burita@unob.cz; petr.do@unob.cz Univerzita obrany, Fakulta vojenských technologií Kounicova 65, 662 10 Brno Abstrakt:
VíceKatedra managementu ŘÍZENÍ OBCHODU. Ing. Miloš Krejčí
Katedra managementu ŘÍZENÍ OBCHODU Ing. Miloš Krejčí 22522@mail.vsfs.cz ŘÍZENÍ OBCHODU 1.Podnik a jeho struktura. Obchod a jeho role v podniku. Činnosti v rámci obchodu. Řízení obchodu. Trh a konkurence.
VíceProblematika tvorby podnikatelského záměru internetového projektu
Česká zemědělská univerzita v Praze Provozně ekonomická fakulta Katedra informačních technologií Teze diplomové práce Problematika tvorby podnikatelského záměru internetového projektu Vypracovala: Monika
VíceUrčeno studentům středního vzdělávání s maturitní zkouškou, předmět: Marketing a management, téma: Marketingový výzkum
Určeno studentům středního vzdělávání s maturitní zkouškou, předmět: Marketing a management, téma: Marketingový výzkum Pracovní list vytvořila: Mgr. Radka Drobná Období vytvoření VM: duben 2012 Klíčová
VíceCATEGORY MANAGEMENT BIO POTRAVIN
Pomáháme vytvářet a realizovat modré strategie. CATEGORY MANAGEMENT BIO POTRAVIN BIO SUMMIT 27. 3. 2008 Obsah Jsou biopotraviny kategorie? Co způsobuje fenomén bio v rozhodovacím procesu? Jak zavést biopotraviny?
VíceMETODIKA ANALÝZY ODMĚŇOVÁNÍ ZAMĚSTNANCŮ ZPRACOVATELSKÉHO PODNIKU METHODOLOGY OF EMPLOYEE REWARDING ANALYSIS IN A PRODUCER ENTERPRISE
METODIKA ANALÝZY ODMĚŇOVÁNÍ ZAMĚSTNANCŮ ZPRACOVATELSKÉHO PODNIKU METHODOLOGY OF EMPLOYEE REWARDING ANALYSIS IN A PRODUCER ENTERPRISE Pavel Tomšík, Stanislava Lišková Anotace: Příspěvek se zabývá vytvořením
VíceIng. Petr Kalčev, Ph.D.
Ing. Petr Kalčev, Ph.D. 17.10.2017 24.10.2017 31.10.2017 7.11.2017 14.11.2017 21.11.2017 28.11.2017 5.12.2017 12.12.2017 19.12.2017 Úvod do manažerský informačních systémů Typy informačních systémů Příklady
VíceREGIONÁLNÍ ZNAČKY NA ÚZEMÍ JIHOČESKÉHO KRAJE A OCHRANA SPOTŘEBITELE IG 8/09 1. Srbová, Alena. Úvod
REGIONÁLNÍ ZNAČKY NA ÚZEMÍ JIHOČESKÉHO KRAJE A OCHRANA SPOTŘEBITELE IG 8/09 1 Srbová, Alena Úvod Tato práce navazuje na Interní grant č. 8/09 na téma Regionální značky na území Jihočeského kraje a ochrana
VíceManagement IS. Doc.Ing.Miloš Koch,CSc. koch@fbm.vutbr.cz 22/ 1
Management IS Doc.Ing.Miloš Koch,CSc. koch@fbm.vutbr.cz 22/ 1 Učitelé Přednášející: Cvičící: Doc.Ing.Miloš Koch,CSc. Ing.Aleš Klusák Kontakt: koch@fbm.vutbr.cz 22/ 2 Literatura Skripta: Koch,M. Dovrtěl,J.:
VíceMicrosoft Office. Excel vyhledávací funkce
Microsoft Office Excel vyhledávací funkce Karel Dvořák 2011 Vyhledávání v tabulkách Vzhledem ke skutečnosti, že Excel je na mnoha pracovištích používán i jako nástroj pro správu jednoduchých databází,
VíceKritéria hodnocení praktické maturitní zkoušky z databázových systémů
Kritéria hodnocení praktické maturitní zkoušky z databázových systémů Otázka č. 1 Datový model 1. Správně navržený ERD model dle zadání max. 40 bodů teoretické znalosti konceptuálního modelování správné
VíceZNALOSTI A DOVEDNOSTI ČESKÝCH MUŽŮ V OBLASTI INFORMAČNÍ BEZPEČNOSTI - VÝSLEDKY STATISTICKÉ ANALÝZY
ZNALOSTI A DOVEDNOSTI ČESKÝCH MUŽŮ V OBLASTI INFORMAČNÍ BEZPEČNOSTI - VÝSLEDKY STATISTICKÉ ANALÝZY Knowledge and skills of Czech men in the field of information security - the results of statistical analysis
VíceMS Access Dotazy SQL
MS Access Dotazy SQL Dotaz SELECT opakování ŘEŠENÍ Michal Nykl Materiály pro cvičení KIV/ZIS 2012 Červeně značené výsledky odpovídají souboru cv6_testovacidb-pekarna150412.accdb Pro některé z otázek lze
VícePOUŽITÍ DATABÁZÍ. Po ukončení tohoto kurzu budete schopni
POUŽITÍ DATABÁZÍ Barbora Tesařová Cíle kurzu Po ukončení tohoto kurzu budete schopni chápat základní principy databáze, vytvořit novou databázi, vytvořit a upravit tabulky, řadit a filtrovat data v tabulkách,
VíceEvropský zemědělský fond pro rozvoj venkova: Evropa investuje do venkovských oblastí. v cestovním ruchu P3. Pavel Petr Petr.USII@upce.
Využití informačních technologií v cestovním ruchu P3 Pavel Petr Petr.USII@upce.cz 1 Obsah kurzu Princip vyhledávání Definování vyhledávacích požadavků Vyhledávací nástroje Zdroje informací Nástroje pro
VíceChování spotřebitelů na trhu s bydlením shánění bydlení
Mendelova univerzita v Brně Provozně ekonomická fakulta Chování spotřebitelů na trhu s bydlením shánění bydlení Semestrální projekt Vypracovali: Michal Semerád, Miroslav Mařík, Petr Hostička, Ondřej Stehlík,
VíceBARIÉRY VSTUPU V ODVĚTVÍ PRODUKCE JABLEK V ČESKÉ REPUBLICE BARRIERS TO ENTRY IN THE CZECH APPLES PRODUCTION INDUSTRY.
BARIÉRY VSTUPU V ODVĚTVÍ PRODUKCE JABLEK V ČESKÉ REPUBLICE BARRIERS TO ENTRY IN THE CZECH APPLES PRODUCTION INDUSTRY Dagmar Kudová Anotace: Příspěvek, který je součástí řešení výzkumného záměru PEF MZLU
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
VíceKIV/ZIS cvičení 1. Martin Kryl
KIV/ZIS cvičení 1 Martin Kryl Údaje o cvičícím Martin Kryl Kancelář: UC326 Konzultační hodiny Úterý 10:00 11:00 Středa 13:00 14:00 E-mail: kryl@kiv.zcu.cz Stránky předmětu Na Courseware Moje předměty Základy
VíceGymnázium Vysoké Mýto nám. Vaňorného 163, 566 01 Vysoké Mýto
Gymnázium Vysoké Mýto nám. Vaňorného 163, 566 01 Vysoké Mýto Registrační číslo projektu Šablona Autor Název materiálu / Druh CZ.1.07/1.5.00/34.0951 III/2 INOVACE A ZKVALITNĚNÍ VÝUKY PROSTŘEDNICTVÍM ICT
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
VíceVÝZKUMNÝ ONLINE NÁSTROJ LIKEEX V PRAXI
ProInflow : Časopis pro informační vědy 1/2011 Irena Prázová, Michala Sošková VÝZKUMNÝ ONLINE NÁSTROJ LIKEEX V PRAXI Zajímavosti z oboru Abstrakt: Článek se zaměřuje na zhodnocení použití online dotazovacího
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
Více