Aplikovaná informatika Možnosti analýzy validity a prezentace získaných dat z informačních databází. ZEMÁNEK, Z. - PLUSKAL, D. - ŠUBRT, Z.

Save this PDF as:
 WORD  PNG  TXT  JPG

Rozměr: px
Začít zobrazení ze stránky:

Download "Aplikovaná informatika Možnosti analýzy validity a prezentace získaných dat z informačních databází. ZEMÁNEK, Z. - PLUSKAL, D. - ŠUBRT, Z."

Transkript

1 Aplikovaná informatika Možnosti analýzy validity a prezentace získaných dat z informačních databází. ZEMÁNEK, Z. - PLUSKAL, D. - ŠUBRT, Z. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky amanagementu Registrační číslo projektu: CZ.1.07/2.2.00/

2 Možnosti analýzy validity a prezentace získaných dat z informačních databází. 1. ZískZ skávání (dobývání) ) znalostí z dat 2. Validace dat v rozhodovacím m procesu 3. Vytěžování dat - Data Mining -Text Mining 4. Kontrolní otázky a úkoly samostudia

3 Cíle přednp ednášky 1. Předat studentům m informace k získz skávání znalostí z dat. 2. Uvést možnosti validace dat v rozhodovacím m procesu. 3. Objasnit vytěž ěžování dat - Data Mining,, Text Mining.

4 Získávání znalostí z databází Trendem dnešní doby je obrovský nárůst počtu dat uložených v databázích. Je obecně známo, že až osmdesát procent uložených dat v databázích po celém světě má podobu textu, tedy nestrukturovaných dat. [1] Teprve počátkem 90. let 20. století vznikl nápad využít především údajů z počítačových databází, původně určených jen k evidenčním účelům, také jako zdroj automatizovaného získávání (dobývání) znalostí. [2] Hlavním impulsem pro rozvoj nového oboru byl zájem firem zpracovávat svá data za účelem získání lepších informací o fungování firmy a umět tak lépe a rychleji reagovat na potřeby trhu, být konkurenceschopnější. [3]

5 Kvalita rozhodovacího procesu Kvalita rozhodovacího procesu závisz visí na rozsahu a kvalitě disponibilních informací a znalostí.

6 Základní pojmy Copyright 2011 Václav Ransdorf Copyright 2011 Václav Ransdorf Informace je sdělitelný poznatek pro příjemce, který mám smysl a snižuje míru m neurčitosti při p i jeho rozhodování. Data jsou zakódovan dované informace v podobě srozumitelné příjemci. Znalosti jsou strukturovaný souhrn vzájemně souvisejících poznatků a zkušeností z určité oblasti nebo k nějakému účelu. Získávají se zejména praxí nebo studiem. Databáze (neboli datová základna) je určitá uspořádaná množina informací (dat), uložená na paměťovém médiu. Po obsahové stránce lze uvedené pojmy definovat stejným způsobem jako odraz (reprezentaci) reálného světa.

7 Získávání (dobývání) ) znalostí z dat Dobývání znalostí z databází je chápáno jako multioborová disciplina především proto, že náročný proces vyžaduje podíl řady vědních oborů. Získávání (dobývání) znalostí z dat nazýváme proces netriviálního získávání implicitní, dříve neznámé a potencionálně užitečné a platné (validní) informace z dat. [3]

8 Validace dat v rozhodovacím m procesu Při získávání dat z různých zdrojů, stejně jako při statistickém hodnocení technologických procesů (například dodržení předepsaných standardů), je důležité zkoumat validitu, to jest platnost získaných výsledků vzhledem ke skutečnosti. Proces zajištění validity se potom nazývá validace, například validace testu. Kvalitativní nebo nezávislá kvantitativní validace je důležitá zejména tam, kde zkoumaný jev nelze úplně oddělit od dalších vlivů a kde je interpretace výsledků složitá. Validace se používá při kvantitativním i kvalitativním výzkumu, existují různé postupy jejího zajištění.

9 Validace dat v rozhodovacím m procesu Data jsou stále rozsáhlej hlejší, vyvodit z nich užiteu itečné závěry je stále složit itější: Náročné rozhodovací procesy s využit itím m IKT. Miliony finančních transakcí. Miliony hovorů denně u telekomunikačních operátor torů. Smyslem je dát d t uloženým datům m význam a vytěžit z databáze nové informace.

10 Validace dat v rozhodovacím m procesu Data jsou stále rozsáhlej hlejší, vyvodit z nich užiteu itečné závěry je stále složit itější: Hledání skrytých závislostí v datech. Porovnávání vzorců chování. Predikce za pomocí segmentačních metod, neuronových sítí, apod. Hledání příležitostí, predikce rizik. Analytická metodologie získávání netriviálních skrytých a potenciálně užitečných informací z dat se nazývá - Data Mining ([dejta majnyn], angl. dolování z dat či čivytěžování dat). Zavedení pojmu: 1991 William Clement Frawley

11 Co je to Data Mining? Kdo to potřebuje? K čemu slouží? Exekutiva a management. K podpoře řízení. Co realizuje? Jak to realizovat? Informace o jednotlivých Pomocí databázových objektech a transakcích. ch. systémů. Zahrnuje poznatky z několika n oborů matematiky a informatiky. [2]

12 Vytěžování dat - Data Mining Data Mining ([dejta majnyn], angl. dolování z dat či vytěžování dat, DM) se někdy chápe jako analytická součást dobývání znalostí z databází (Knowledge Discovery in Databases, KDD). Prohledávání stávaj vajících ch databází,, kdy na základz kladě speciáln lních metod se vyhledávaj vají nové znalosti. Hledání hodnotných informací ve velkých objemech dat. Proces zjišťov ování platných, neznámých mých,, potencionáln lně užitečných a snadno pochopitelných znalostí z dat (např.. náchylnost n ke koupi, k podvodu apod.). [2] Tato dvě označení se mají stejný význam.

13 K čemu je Data Mining? Stále většív množstv ství dat uložených v databázích: Neustále generujeme data Obchodní a bankovní transakce Komunikační,, biologická,, astronomická,, systémov mová data atd Ukládáme stále více v dat Databázov zové technologie jsou stále rychlejší a levnější Databázov zové systémy jsou schopny pracovat se stále rozsáhlej hlejšími daty Netriviáln lní hledání skrytých závislostz vislostí mezi daty (např.. náchylnost n ke koupi, k podvodu, odu, apod.) [5]

14 Kde se Data Maning využívá Časté aplikace jsou předevp edevším m v oblastech: finančnictví (např. odhadování rizika, hledání podvodů), přímého marketingu (výběr klientů pro oslovení), telekomunikací (segmentace klientů, prodej programů,...), monitorování aktivit na Internetu s cílem odhalit činnost potenciálních škůdců a teroristů, internetového prodeje (analýza přechodů mezi stránkami, efektivity a poskytování reklamy, ). [4]

15 Příklady úloh řešených ených metodami Data Miningu navrhování a sledování účinnosti marketingových kampaní, navrhování bezpečnostních opatření u složitých průmyslových provozů a strojů, analýza provozu a optimalizace serverových řešení, zkoumání zákonitostí změn klimatu podle dlouhých časových řad meteorologických měření, vytváření různých sociologických prognóz, plánování burzovních a měnových spekulací. [2]

16 Proces získz skávání znalostí z dat Stanovení cílů Výsledné vzory (pravidla) Prezentace znalostí Interpretace a vyhodnocení Výběr dat DB (Datový sklad) Pochopení Dolování dat (Data Mining) faktury Předzpracování dat dodavatelé zákazníci Vstupní data ZNALOST [2]

17 Proces získz skávání znalostí z dat Stanovení cílů Jaký typ znalosti chceme nalézt? Nad jakými daty budeme proces získz skávání znalostí provádět? Je problém řešitelný? Budou získanz skané výsledky užiteu itečné v praxi? V jakém m tvaru a formě chceme zobrazit výsledky získávání znalostí? Jsou naše e data vhodná pro danou metodu?

18 Proces získz skávání znalostí z dat Výběr r zdrojů dat Typy databází z hlediska obsahu Zákaznické databáze údaje o zákaznz kazníkovi, kovi, případnp padně o jeho aktivitách Databáze transakcí údaje o aktivitách zákazníků (většinou anonymních) Databáze historie nabídek databáze o oslovování zákazníků kampaněmi mi Externí data - WWW

19 Techniky Data Miningu [5] Technik je řada a jsou velmi sofistikované. Technik je řada a jsou velmi sofistikované.

20 Metody Data Miningu Text Mining Text Mining obecně spadá pod soubor dataminingových metod - ty však v pracují s čísly, případně s nomináln lními či i ordináln lními proměnnými, jako jsou názvy n kategorií apod. Text Mining pracuje s nestrukturovaným textem, lze ho tedy definovat jako proces vytěž ěžení cenné informace z textu, tato metoda však v můžm ůže e pomoci i při p i samotné dataminingové analýze. [1]

21 Metody Data Miningu Extrakce významu sdělení z nestrukturovaného textu Podle počtu a struktury slov lze identifikovat témat a smysl čteného dokumentu, přitom p nemusí jít t pouze o mnohastránkovou nkovou ročenku nebo diplomovou práci, ale například o webovou stránku nku. Zajímav mavější možnost ností je potom definice konkrétn tních hledaných slov nebo spojení (termy daného jazyka). Nástroj může e prohledávat obsah webových stránek a nacházet ty s klíčovým sdělením. [1]

22 Metody Data Miningu Extrakce významu sdělení z nestrukturovaného textu [1] Hledáme objekty v textu, čímž rozumíme me jednotlivá slova nebo důležitá spojení termy (eskontní úvěr, cystická fibróza, gotické památky), například slovo traumacentrum indikuje vyšší pojistné plnění,, neboť klient byl pravděpodobn podobně vážně zraněn. n. Termy se pak zobrazí v matici slov, která je vytvořena na základě frekvenční analýzy (četnosti výskytu). Nástroj Text Mining kvantifikuje jednotlivé objekty z textu - termy, obvykle do tabulky. [1]

23 Metody Data Miningu Automatické třídění textů Ještě zajímav mavější vlastností textminingových nástrojů je potom identifikace specifických či i podobných textových záznamz znamů na základz kladě shlukové analýzy. Textové záznamy znamy jsou klasifikovány a tříděny t do shluků podle podobnosti. [1]

24 Metody Data Miningu Automatické třídění textů Obrázek ukazuje jednotlivé textové záznamy (dokumenty, formuláře, žádosti atd.), které byly podrobeny shlukové analýze. Záznamy, které jsou mimo hlavní shluk, se nějakým způsobem od většiny dokumentů odlišují, a proto by jim analytické oddělení mělo věnovat pozornost. [1]

25 Metody Data Miningu Prezentace výsledků analýz Prezentace výstupů tzv. vizualizace sice nepřináší již nic nového, ale zobrazení dat a výsledky analýz může výrazně ulehčit jejich pochopení a následnou n interpretaci. Výsledky výpočtů nad daty mohou mít různou formu. Nejjednodušší forma numerická, uspořádaná do sestav, tabulek apod., obvykle znamená i pro odborníka ještě další práci. Mnohem názornější jsou doplňující výstupy do grafů, při dodržení obecných pravidel jejich správné konstrukce. [1] Nové zobrazení výsledků může výrazně ulehčit jejich pochopení a následnou interpretaci. [3]

26 Metody Data Miningu Příklad využití - Automatické třídění textů Autor: dmblog.fico.com Autor: dmblog.fico.com Fraud management ([frůd ], angl. podvod řízení) neboli detekce podvodů je oblast, která se zaměřuje na včasné odhalení podvodného jednání. Text Mining jako nástroj v této oblasti slouží pro potřeby interní kontroly. Automaticky čte y zaměstnanců, pokud detekuje určité slovo nebo spojení, které ukazuje na podvodné jednání, je označen a příslušné oddělení mu potom věnuje pozornost. Stejným způsobem textminingový nástroj analyzuje také elektronické žádosti, objednávky přes internet apod., které do firmy přicházejí z vnějšku. Vstupy jsou tříděny do smysluplných shluků, lze tak odhalit například podezřelou objednávku apod. [1]

27 Metody Data Miningu Závěr Trendem dnešní doby je obrovský nárůst počtu dat uložených v databázích. Kvalitativní nebo nezávislá kvantitativní validace je důležitá tam, kde je interpretace výsledků složitá. Získávání (dobývání) ) znalostí z dat nazýváme proces netriviálního získávání implicitní, dříve neznámé a potencionálně užitečné a platné (validní) informace z dat. Data Miningové metody pracují s čísly,, případnp padně s nomináln lními či i ordináln lními proměnnými, jako jsou názvy n kategorií apod. Text mining pracuje s nestrukturovaným textem,, lze ho tedy definovat jako proces vytěž ěžení cenné informace z textu, metoda můžm ůže e pomoci i při p i samotné dataminingové analýze.

28 Úkoly pro samostatnou práci Nalézt na Internetu a doplnit si informace k: získávání znalostí z dat, validaci dat v rozhodovacím m procesu, vytěž ěžování dat - Data Mining,, Text Mining.

29 Zdroje doplňující studijní literatura: 1. ULDRICHT, Miloš. Text mining aneb Kladivo na nestrukturovaná data. [online]. [cit ] č.12/2011, IT SYSTEMS: Business Intelligence Dostupné z: 2. Datové sklady: Data mining. [online]. [cit ]. Dostupné z: některé metody 3. ŠARMANOVÁ, Jana. METODY ANALÝZY DAT - Učební text. [online]. [cit ] 2012, Ostrava: VŠB-TU. 170 s. ISBN Dostupné z: 4. BERKA, Petr. Aplikace systémů dobývání znalostí pro analýzu medicínských dat. [online] [cit ]. Dostupné z: 5. Data mining. ORACLE [online]. [cit ]. Dostupné z:

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

Získávání znalostí z databází. Alois Kužela

Získávání 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

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

Uživatelská podpora v prostředí WWW

Uživatelská podpora v prostředí WWW Uživatelská podpora v prostředí WWW Jiří Jelínek Katedra managementu informací Fakulta managementu Jindřichův Hradec Vysoká škola ekonomická Praha Úvod WWW obsáhlost obsahová i formátová pestrost dokumenty,

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

MANAŽERSKÉ ROZHODOVÁNÍ. Zpracoval Ing. Jan Weiser

MANAŽERSKÉ ROZHODOVÁNÍ. Zpracoval Ing. Jan Weiser MANAŽERSKÉ ROZHODOVÁNÍ Zpracoval Ing. Jan Weiser Obsah výkladu Rozhodovací procesy a problémy Dvě stránky rozhodování Klasifikace rozhodovacích procesů Modely rozhodování Nástroje pro podporu rozhodování

Více

Aplikovaná informatika Analýza validity informací a tvorba rešerší.

Aplikovaná informatika Analýza validity informací a tvorba rešerší. Aplikovaná informatika Analýza validity informací a tvorba rešerší. ZEMÁNEK, Z. - PLUSKAL,D. - SMETANA, B. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního

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

ZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ

ZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných

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

Marketingový informační systém

Marketingový informační systém Marketingový informační systém Vazba mezi MIS a marketingovým výzkumem. Algoritmus MV. Ing. Lucie Vokáčov ová, vokacova@pef.czu.cz Marketingový informační systém MIS zahrnuje pracovníky, zařízení a informační

Více

Aplikovaná informatika Možnosti využití informačních systémů v práci manažera velitele.

Aplikovaná informatika Možnosti využití informačních systémů v práci manažera velitele. Aplikovaná informatika Možnosti využití informačních systémů v práci manažera velitele. ZEMÁNEK, Z. - PLUSKAL, D. - SMETANA, B. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace

Více

ver. 1.19 Asynchronní E-learningový

ver. 1.19 Asynchronní E-learningový Obsah: Teorie úvodem Základní terminologie Asynchronní e-learning Stavební bloky e-learningu Jednotlivé součásti sti systému Uživatelé Přehledné interaktivní prostředí Testy Jak testy fungují Hodnocení

Více

Datamining v praxi. Vratislav Beneš OptiSolutions s.r.o.

Datamining v praxi. Vratislav Beneš OptiSolutions s.r.o. Datamining v praxi Vratislav Beneš OptiSolutions s.r.o. Agenda 1. Naši zákazníci a jejich problémy Kdo jsou naši zákazníci Jaká mají data a proč analyzují data Co jim DM přinese 2. Co předchází analýze

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

Základní informace o co se jedná a k čemu to slouží

Základní 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

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

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

technologie v podpoře e národnn registrů vybraných onemocnění

technologie v podpoře e národnn registrů vybraných onemocnění Informační a komunikační technologie v podpoře e národnn rodních registrů vybraných onemocnění P. Hanzlíček, V. Faltus, J. Zvárov rová EuroMISE centrum, Oddělen lení medicínsk nské informatiky, Ústav informatiky

Více

Aplikovaná informatika Zajištění optimální konverze grafických informací v prostředí vybraného software ZEMÁNEK, Z. PLUSKAL, D. ŠUBRT, Z.

Aplikovaná informatika Zajištění optimální konverze grafických informací v prostředí vybraného software ZEMÁNEK, Z. PLUSKAL, D. ŠUBRT, Z. Aplikovaná informatika Zajištění optimální konverze grafických informací v prostředí vybraného software ZEMÁNEK, Z. PLUSKAL, D. ŠUBRT, Z. Operační program Vzdělávání pro konkurenceschopnost Název projektu:

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

PowerOPTI Řízení účinnosti tepelného cyklu

PowerOPTI Řízení účinnosti tepelného cyklu PowerOPTI Řízení účinnosti tepelného cyklu VIZE Zvýšit konkurenceschopnost provozovatelů elektráren a tepláren. Základní funkce: Spolehlivé hodnocení a řízení účinnosti tepelného cyklu, včasná diagnostika

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

Databáze Bc. Veronika Tomsová

Databáze Bc. Veronika Tomsová Databáze Bc. Veronika Tomsová Databázové schéma Mapování konceptuálního modelu do (relačního) databázového schématu. 2/21 Fyzické ik schéma databáze Určuje č jakým způsobem ů jsou data v databázi ukládána

Více

PRODUKTY. Tovek Tools

PRODUKTY. Tovek Tools jsou desktopovou aplikací určenou k vyhledávání informací, tvorbě různých typů analýz a vytváření přehledů a rešerší. Jsou vhodné pro práci i s velkým objemem textových dat z různorodých informačních zdrojů.

Více

SMS Marketing. Komunikace s potencionálními i stávajícími zákazníky pomocí zpráv SMS

SMS Marketing. Komunikace s potencionálními i stávajícími zákazníky pomocí zpráv SMS SMS Marketing Komunikace s potencionálními i stávajícími zákazníky pomocí zpráv SMS 31.5.2012 Úvod do SMS Marketingu SMS zprávy přinášejí ze všech nástrojů palety mobilního marketingu nejvyšší efektivitu.

Více

Management. Plánování Vnitřní a vnější prostředí organizace SWOT analýza

Management. Plánování Vnitřní a vnější prostředí organizace SWOT analýza Management Plánování Vnitřní a vnější prostředí organizace SWOT analýza Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky a

Více

Marketingová komunikace. 3. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK3PH (vm3bph)

Marketingová 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

Více

Základy business intelligence. Jaroslav Šmarda

Základy 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

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

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

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

EKONOMICKÝ A LOGISTICKÝ SOFTWARE. Luhačovice 24.10.2013

EKONOMICKÝ A LOGISTICKÝ SOFTWARE. Luhačovice 24.10.2013 EKONOMICKÝ A LOGISTICKÝ SOFTWARE Luhačovice 24.10.2013 CRM řízení vztahů se zákazníky CRM - je zkratka z anglického Customer Relationship Management a označují se tak systémy pro řízení vztahů se zákazníky.crm

Více

Vědecký tutoriál, část I. A Tutorial. Vilém Vychodil (Univerzita Palackého v Olomouci)

Vědecký tutoriál, část I. A Tutorial. Vilém Vychodil (Univerzita Palackého v Olomouci) ..! POSSIBILISTIC Laboratoř pro analýzu INFORMATION: a modelování dat Vědecký tutoriál, část I A Tutorial Vilém Vychodil (Univerzita Palackého v Olomouci) George J. Klir State University of New York (SUNY)

Více

3. Očekávání a efektivnost aplikací

3. Očekávání a efektivnost aplikací VYUŽÍVANÍ INFORMAČNÍCH SYSTÉMŮ V ŘÍZENÍ FIREM Ota Formánek 1 1. Úvod Informační systémy (IS) jsou v současnosti naprosto nezbytné pro úspěšné řízení firem. Informačním ním systémem rozumíme ucelené softwarové

Více

Vymezení a význam marketingového výzkumu pro manažerské rozhodování. Základní východiska empirického přístupu, vztah. Téma č. 1

Vymezení a význam marketingového výzkumu pro manažerské rozhodování. Základní východiska empirického přístupu, vztah. Téma č. 1 Vymezení a význam marketingového výzkumu pro manažerské rozhodování. Základní východiska empirického přístupu, vztah teorie a empirie. Téma č. 1 Výzkum trhu Historický vývoj: Výzkum veřejného mínění, sociologický

Více

Bakalářský studijní obor hospodářská informatika

Bakalářský studijní obor hospodářská informatika Bakalářský studijní obor hospodářská informatika Předpoklady Struktura studia Přihlášky Poradenství Bakalářský studijní obor hospodářská informatika nabízí fundované vědecké a praktické vzdělání v oblasti

Více

DIGITÁLNÍ UČEBNÍ MATERIÁL

DIGITÁLNÍ UČEBNÍ MATERIÁL DIGITÁLNÍ UČEBNÍ MATERIÁL Číslo projektu CZ.1.07/1.5.00/34.0763 Název školy SOU potravinářské, Jílové u Prahy, Šenflukova 220 Název materiálu INOVACE_32_MaM 1/ 01/ 02/09 Autor Ing. Eva Hrušková Obor; předmět,

Více

SYSTÉMY PRO CALL CENTRA. www.sipcon.cz info@sipcon.cz +420 776 089 446

SYSTÉMY PRO CALL CENTRA. www.sipcon.cz info@sipcon.cz +420 776 089 446 SYSTÉMY PRO CALL CENTRA IP SERVER pro Sipcon VoIP SERVER pro call centra komplexní řešení VoIP telefonní ústředny a statistických, dohledových a operátorských aplikací pro call centra podpora mnoha typů

Více

www.pwc.com/cz DETEKCE INTERNÍCH PODVODŮ V BANKÁCH A NÁSLEDNÁ REAKCE ČIA 3. setkání interních auditorů z finanční oblasti 27. 11.

www.pwc.com/cz DETEKCE INTERNÍCH PODVODŮ V BANKÁCH A NÁSLEDNÁ REAKCE ČIA 3. setkání interních auditorů z finanční oblasti 27. 11. www.pwc.com/cz DETEKCE INTERNÍCH PODVODŮ V BANKÁCH A NÁSLEDNÁ REAKCE ČIA 3. setkání interních auditorů z finanční oblasti 27. 11. 2012 Agenda 1. Detekce podvodů vs interní audit 2. Interní vs. externí

Více

Metody přírodních věd aplikované na vědy sociální: předpoklad, že lidské chování můžeme do jisté míry měřit a předpovídat.

Metody přírodních věd aplikované na vědy sociální: předpoklad, že lidské chování můžeme do jisté míry měřit a předpovídat. 3. Kvalitativní vs kvantitativní výzkum Kvantitativní výzkum Metody přírodních věd aplikované na vědy sociální: předpoklad, že lidské chování můžeme do jisté míry měřit a předpovídat. Kvantitativní výzkum

Více

Market Intelligence Cesta k poznání trhu

Market Intelligence Cesta k poznání trhu Market Intelligence Cesta k poznání trhu Petr Šmíd, Consulting České spořitelny, a.s. smid@consultingcs.cz INSOURCE 2008:Konference o profesionálních informačních zdrojích pro obchod, management, marketing

Více

Financování a ekonomické řízení

Financování a ekonomické řízení Financování a ekonomické řízení Ekonomický systém a systém ekonomického řízení AČR Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty

Více

MARKETINGOVÝ INFORMAČNÍ SYSTÉM

MARKETINGOVÝ INFORMAČNÍ SYSTÉM MARKETINGOVÝ INFORMAČNÍ SYSTÉM Proč je nutná existence MIS ve firmě? Firmy přechází od místního k celonárodnímu a ke globálnímu marketingu změna orientace od zákaznických potřeb k zák. přáním / stále vybíravější

Více

T10/1 - Efektivnost a optimalizace použití sil a prostředků

T10/1 - Efektivnost a optimalizace použití sil a prostředků Všeobecná ženijní podpora T10/1 - Efektivnost a optimalizace použití sil a prostředků Přednáška Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu

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

Uznávání předmětů ze zahraničních studijních pobytů

Uznávání předmětů ze zahraničních studijních pobytů Uznávání předmětů ze zahraničních studijních pobytů Podnikání a administrativa 7 Mezinárodní obchod Ekonometrie Obecná ekonomie III 8 Velkoobchod a maloobchod Management 9 Marketingové řízení Strategický

Více

Počítačové kurzy buildit

Počítačové kurzy buildit Počítačové kurzy buildit Kurz MS Windows - základy 1 590 Kč principy systému Windows, ovládání systému, práce s aplikacemi a okny, správa souborů a složek, multitasking, práce se schránkou Uživatelům,

Více

Business Intelligence 2015. Hlavní témata, která budou v roce 2015 určovat vývoj business intelligence řešení a služeb.

Business Intelligence 2015. Hlavní témata, která budou v roce 2015 určovat vývoj business intelligence řešení a služeb. Business Intelligence 2015 Hlavní témata, která budou v roce 2015 určovat vývoj business intelligence řešení a služeb. Leden 2015 Téma č. 1: Cloudové služby budou využívat lokální data V roce 2015 se zvýší

Více

Zdravotní registry, NZIS a konsolidace resortních dat Fares SHIMA Ministerstvo zdravotnictví Ředitel odboru informatiky Mezirezortní koordinační výbor pro podporu zavedení ehealth v České republice Ministerstvo

Více

MS Project jako nástroj pro analýzu spolehlivosti

MS Project jako nástroj pro analýzu spolehlivosti MS Project jako nástroj pro analýzu spolehlivosti Petr Kolář 1. Představení aplikace MS Project Manažeři, kteří koordinují plánování, průběh a hodnocení libovolných projektů, jsou nuceni pracovat s velkým

Více

Stručný obsah. K2118.indd 3 19.6.2013 9:15:27

Stručný obsah. K2118.indd 3 19.6.2013 9:15:27 Stručný obsah 1. Stručný obsah 3 2. Úvod 11 3. Seznamy a databáze v Excelu 13 4. Excel a externí data 45 5. Vytvoření kontingenční tabulky 65 6. Využití kontingenčních tabulek 81 7. Kontingenční grafy

Více

Direct marketing jako forma marketingové komunikace. PhDr. Petr Váňa

Direct marketing jako forma marketingové komunikace. PhDr. Petr Váňa Direct marketing jako forma marketingové komunikace PhDr. Petr Váňa 1 Obsah vystoupení Co je direct marketing? Dialog místo monologu Metody a cíle Znaky a přednosti DM DM a CRM Úspěšný rozvoj DM v ČR Zlatý

Více

EKONOMIKA BLOKU ODVĚTVÍ ROZVOJE ČLOVĚKA EKONOMIKA JUSTICE

EKONOMIKA BLOKU ODVĚTVÍ ROZVOJE ČLOVĚKA EKONOMIKA JUSTICE VEŘEJNÁ EKONOMIKA EKONOMIKA BLOKU ODVĚTVÍ ROZVOJE ČLOVĚKA EKONOMIKA JUSTICE Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky

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

Google AdWords Google Analytics

Google AdWords Google Analytics Google AdWords Google Analytics Tento studijní materiál byl vytvořen s podporou projektu FRVŠ 1030/2012 s názvem Multimediální studijní opora pro výuku předmětu Elektronický obchod". Obsah Google AdWords

Více

Aplikovaná informatika Úvod do tvorby a užití prezentací, úprava formalizovaných dokumentů dle norem ZEMÁNEK, Z. - PLUSKAL, - D. SMETANA, B.

Aplikovaná informatika Úvod do tvorby a užití prezentací, úprava formalizovaných dokumentů dle norem ZEMÁNEK, Z. - PLUSKAL, - D. SMETANA, B. Aplikovaná informatika Úvod do tvorby a užití prezentací, úprava formalizovaných dokumentů dle norem ZEMÁNEK, Z. - PLUSKAL, - D. SMETANA, B. Operační program Vzdělávání pro konkurenceschopnost Název projektu:

Více

TVORBA ZÁKAZNICKÉ DATABÁZE Příprava adres pro direct mailovou kampaň. 15. května 2010 Konference Direct mail

TVORBA ZÁKAZNICKÉ DATABÁZE Příprava adres pro direct mailovou kampaň. 15. května 2010 Konference Direct mail TVORBA ZÁKAZNICKÉ DATABÁZE Příprava adres pro direct mailovou kampaň 15. května 2010 Konference Direct mail O ČEM BUDE ŘEČ? zásadní rozhodnutí, co musíme vědět nejdříve nejefektivnější cesty k získání

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

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

Big Data od velkých očekávání k praktickému využití. DSW, Praha, 23.9.2014

Big Data od velkých očekávání k praktickému využití. DSW, Praha, 23.9.2014 Big Data od velkých očekávání k praktickému využití DSW, Praha, 23.9.2014 Gartner: Hype Cycle for Emerging Technologies Zdroj: Gartner 3D scanners? NFC předběhlo cloud compu3ng? Internet of things zrychlil

Více

Řízení a podpora prodejních sí0 mobile tech 2014

Řízení a podpora prodejních sí0 mobile tech 2014 Řízení a podpora prodejních sí0 mobile tech 2014 27. března 2012, SmithNovak Jak podpořit obchod? Jste spokojeni s výkonem vašeho prodeje? Nedostatek příležitos= (leadů) Nízká úspěšnost PŘÍK LAD" Prodejci

Více

PPM umožňuje: PPM napomáhá: Systém je postaven na čtyřech základních pilířích, vedoucích k efektivnímu vývoji a optimalizaci portfolia:

PPM umožňuje: PPM napomáhá: Systém je postaven na čtyřech základních pilířích, vedoucích k efektivnímu vývoji a optimalizaci portfolia: Solutions s.r.o. PPM umožňuje: Komplexní analýzu vývoje portfolia Strategické řízení Evidenci projektů Evidenci projektových a souvisejících dat Závislost procesů, podpora workflow definovaná událost

Více

Efektivnější systém pro vyřizování požadavků na IT v ČMSS

Efektivnější systém pro vyřizování požadavků na IT v ČMSS 2 Shared Experience Technologická řešení Efektivnější systém pro vyřizování požadavků na IT v ČMSS Efektivnější systém pro vyřizování požadavků na IT v ČMSS přinesl procesní zpracování požadavků všech

Více

Ostrava. 16. dubna 2014

Ostrava. 16. dubna 2014 Ostrava 16. dubna 2014 1 Softwarová řešení pro SMB zákazníky Tomáš Netřeba 2 Přehled SWG Software Group Business Analytics IBM Collaboration Solutions Cloud & Smarter Infrastructure Information Management

Více

Systémy pro podporu rozhodování. Modelování a analýza

Systémy pro podporu rozhodování. Modelování a analýza Systémy pro podporu rozhodování Modelování a analýza 1 Připomenutí obsahu minulé přednášky Datové sklady, přístup, analýza a vizualizace Povaha a zdroje dat (data, informace, znalosti a interní, externí,

Více

Tomáš. Buzrla Tel.: 777 603 593

Tomáš. Buzrla Tel.: 777 603 593 Obchodování emisních povolenek Tomáš Buzrla Tel.: 777 603 593 Typy kapitálových trhů Primárn rní trhy - obchody pouze mezi podniky, kterým byly přidp iděleny emisní povolenky Charakteristika: nízkn zké

Více

VÝROBA. Helios Orange + něco navíc. Adresa: SAPERTA s.r.o. Presy 371 53701 Telefon: 777 071 626 E-mail: saperta@saperta.cz WWW: saperta.

VÝROBA. Helios Orange + něco navíc. Adresa: SAPERTA s.r.o. Presy 371 53701 Telefon: 777 071 626 E-mail: saperta@saperta.cz WWW: saperta. VÝROBA Helios Orange + něco navíc Adresa: SAPERTA s.r.o. Presy 371 53701 Telefon: 777 071 626 E-mail: saperta@saperta.cz WWW: saperta.cz MODUL VÝROBY Modul Řízení výroby vychází z osvědčeného základního

Více

INFORMATIKA. Jindřich Kaluža. Ludmila Kalužová

INFORMATIKA. Jindřich Kaluža. Ludmila Kalužová INFORMATIKA Jindřich Kaluža Ludmila Kalužová Recenzenti: doc. RNDr. František Koliba, CSc. prof. RNDr. Peter Mikulecký, PhD. Vydání knihy bylo schváleno vědeckou radou nakladatelství. Všechna práva vyhrazena.

Více

Bakalářský studijní obor Manažerská ekonomika specializace Marketing. pro studenty studující od roku 2011/2012

Bakalářský studijní obor Manažerská ekonomika specializace Marketing. pro studenty studující od roku 2011/2012 Studijní obor Manažerská ekonomika Bakalářský studijní obor Manažerská ekonomika specializace Marketing pro studenty studující od roku 2011/2012 V první fázi studia oboru Manažerská ekonomika získá student

Více

CPM/BI a jeho návaznost na podnikové informační systémy. Martin Závodný

CPM/BI a jeho návaznost na podnikové informační systémy. Martin Závodný CPM/BI a jeho návaznost na podnikové informační systémy Martin Závodný Agenda Význam CPM/BI Aplikace CPM/BI Projekty CPM/BI Kritické body CPM/BI projektů Trendy v oblasti CPM/BI Diskuse Manažerské rozhodování

Více

MODELOVÁNÍ DAT V INFORMAČNÍCH SYSTÉMECH. Jindřich Kaluža Ludmila Kalužová

MODELOVÁNÍ DAT V INFORMAČNÍCH SYSTÉMECH. Jindřich Kaluža Ludmila Kalužová MODELOVÁNÍ DAT V INFORMAČNÍCH SYSTÉMECH Jindřich Kaluža Ludmila Kalužová Recenzenti: prof. Ing. Milan Turčáni, CSc. prof. Ing. Ivan Vrana, DrSc. Tato kniha vznikla za finanční podpory Studentské grantové

Více

CZ.1.07/1.2.00/08.0113

CZ.1.07/1.2.00/08.0113 Operační program: Prioritní osa: Oblast podpory: Spolupráce na všech v frontách CZ.1.07/1.2.00/08.0113 Vzdělávání pro konkurenceschopnost 1. Počáte teční vzdělávání 1.2. Rovné příležitosti dětíd a žáků,,

Více

Inovace 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. 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.

Více

Makroekonomie I. Co je podstatné z Mikroekonomie - co již známe obecně. Nabídka a poptávka mikroekonomické kategorie

Makroekonomie I. Co je podstatné z Mikroekonomie - co již známe obecně. Nabídka a poptávka mikroekonomické kategorie Model AS - AD Makroekonomie I Ing. Jaroslav ŠETEK, Ph.D. Katedra ekonomiky Osnova: Agregátní poptávka a agregátní nabídka : Agregátní poptávka a její změny Agregátní nabídka krátkodobá a dlouhodobá Rovnováha

Více

CZ.1.07/1.5.00/34.0527

CZ.1.07/1.5.00/34.0527 Projekt: Příjemce: Digitální učební materiály ve škole, registrační číslo projektu CZ.1.07/1.5.00/34.0527 Střední zdravotnická škola a Vyšší odborná škola zdravotnická, Husova 3, 371 60 České Budějovice

Více

Student si po a 1. ročníku podle svého osobního zaměření volí kurzy (předměty).

Student si po a 1. ročníku podle svého osobního zaměření volí kurzy (předměty). Aplikovaná informatika Akreditováno do: 31.10.2013 Délka studia: 3 roky Forma studia: Prezenční studium Předpokládaný počet studentů nastupujících do 1. ročníku: 60 Přijímací zkouška: bez přijímacích zkoušek

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

Systém řízení úkolů mobilních pracovníků

Systém řízení úkolů mobilních pracovníků Systém řízení úkolů mobilních pracovníků O čem je tato prezenatce Co v této prezentaci uvidíte Nástroj řízení mobilních pracovníků, jejich úkolů přes www.seeme.eu/cs a mobilní telefon nebo tablet s OS

Více

M A N A G E M E N T P O D N I K U 1 Marketing pro techniky. LS, akad.rok 2014/2015 Management podniku - VŽ 1

M A N A G E M E N T P O D N I K U 1 Marketing pro techniky. LS, akad.rok 2014/2015 Management podniku - VŽ 1 M A N A G E M E N T P O D N I K U 1 Marketing pro techniky LS, akad.rok 2014/2015 Management podniku - VŽ 1 Marketing vznikl v USA na po I. světové válce, kdy začala převažovat nabídka nad poptávkou a

Více

TÉMATA BAKALÁŘSKÝCH A DIPLOMOVÝCH PRACÍ

TÉMATA BAKALÁŘSKÝCH A DIPLOMOVÝCH PRACÍ TÉMATA BAKALÁŘSKÝCH A DIPLOMOVÝCH PRACÍ Ekonomika Odbor plánování a controllingu Návrh implementace metody Balanced Scorecard v podmínkách ČD, a.s. Návrh souboru nástrojů strategického systému měření výkonnosti

Více

Databáze v MS ACCESS

Databáze 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,

Více

Vysoká škola technická a ekonomická v Českých Budějovicích. Institute of Technology And Business In České Budějovice

Vysoká škola technická a ekonomická v Českých Budějovicích. Institute of Technology And Business In České Budějovice OBCHODNÍ ČINNOST 5. MALOOBCHOD A MALOOBCHODNÍ SÍŤ Vysoká škola technická a ekonomická v Českých Budějovicích Institute of Technology And Business In České Budějovice Tento učební materiál vznikl v rámci

Více

Vzdělávací projekty RHK Brno a účast VŠ na nich

Vzdělávací projekty RHK Brno a účast VŠ na nich Mezinárodní odborný seminář Realizace spolupráce vysokých škol s odběratelskou sférou Brno, 14. listopadu 2007, Kongresové centrum MU Vinař Vzdělávací projekty RHK Brno a účast VŠ na nich Doc. Ing. Stanislav

Více

Současná teorie finančních služeb cvičení č. 1. 1. Úvod do teorií finančních služeb rekapitulace základních pojmů a jejich interpretace

Současná teorie finančních služeb cvičení č. 1. 1. Úvod do teorií finančních služeb rekapitulace základních pojmů a jejich interpretace Současná teorie finančních služeb cvičení č. 1 1. Úvod do teorií finančních služeb rekapitulace základních pojmů a jejich interpretace Úvod do teorií finančních služeb rekapitulace základních pojmů a jejich

Více

Tzv. životní cyklus dokumentů u původce (Tematický blok č. 4) 1. Správa podnikového obsahu 2. Spisová služba

Tzv. životní cyklus dokumentů u původce (Tematický blok č. 4) 1. Správa podnikového obsahu 2. Spisová služba Tzv. životní cyklus dokumentů u původce (Tematický blok č. 4) 1. Správa podnikového obsahu 2. Spisová služba 1. 1. Správa podnikového obsahu (Enterprise Content Management ECM) Strategie, metody a nástroje

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

Marketing Marketingový informační systém

Marketing Marketingový informační systém 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

Program rozvoje Libereckého kraje 2004 2004 2006 2007 2007-2013

Program rozvoje Libereckého kraje 2004 2004 2006 2007 2007-2013 Program rozvoje Libereckého kraje 2004 2004 2006 2007 2007-2013 1. Průběž ěžné zhodnocení PRLK 2004-2006 PRLK 2004 06 schválen ZK v červnu 2004 Navazuje na Strategii rozvoje LK schválenou v r. 2002 Rozepisuje

Více

MANAŽERSKÉ INFORMAČNÍ SYSTÉMY

MANAŽERSKÉ INFORMAČNÍ SYSTÉMY metodický list č. 1 Úvodem: Protože předmětu manažerské informační systémy (MIS) je vyhrazeno ve studijním plánu kombinovaného studia pouze 10 prezenční hodin (5 dvouhodinových bloků), je nezbytné, abyste

Více

HODNOCENÍ VÝKONNOSTI PODNIKU VE SPOJITOSTI SE STRATEGICKÝMI CÍLY

HODNOCENÍ VÝKONNOSTI PODNIKU VE SPOJITOSTI SE STRATEGICKÝMI CÍLY 29 HODNOCENÍ VÝKONNOSTI PODNIKU VE SPOJITOSTI SE STRATEGICKÝMI CÍLY POKORNÝ Karel Abstrakt: Metoda Balanced Scorecard (BSC) její podstata, obsah a principy. Vztah BSC ke strategickému a operativnímu řízení

Více

INDIKATIVNÍ TABULKA SE SEZNAMEM PŘÍJEMCŮ V RÁMCI OPERAČNÍHO PROGRAMU VZDĚLÁVÁNÍ PRO KONKURENCESCHOPNOST. POŽADOVANÉ FINANČNÍ PROSTŘEDKY ŽADATELEM (Kč)

INDIKATIVNÍ TABULKA SE SEZNAMEM PŘÍJEMCŮ V RÁMCI OPERAČNÍHO PROGRAMU VZDĚLÁVÁNÍ PRO KONKURENCESCHOPNOST. POŽADOVANÉ FINANČNÍ PROSTŘEDKY ŽADATELEM (Kč) INDIKATIVNÍ TABULKA SE SEZNAMEM PŘÍJEMCŮ V RÁMCI OPERAČNÍHO PROGRAMU VZDĚLÁVÁNÍ PRO KONKURENCESCHOPNOST ČÍSLO VÝZVY: ČÍSLO A NÁZEV PRIORITNÍ OSY: ČÍSLO A NÁZEV OBLASTI PODPORY: VYHLAŠOVATEL VÝZVY: 28 (1.

Více

marketingu Pohled zákaznz Marketingový mix a jeho struktura nový pohled 4 C Value) ) = Product hodnota z hlediska zákaznz Cena

marketingu Pohled zákaznz Marketingový mix a jeho struktura nový pohled 4 C Value) ) = Product hodnota z hlediska zákaznz Cena Základní nástroje marketingu Marketingový mix a jeho struktura Marketingový mix Produkt Rozmanitost produktů Jakost Design Funkce Značka Balení Velikosti Služby Záruky Vrácení výrobků Cena Ceníková cena

Více

Popisné systémy a databáze

Popisné systémy a databáze Popisné systémy a databáze Databáze v archeologii přístup k použití databází - dva způsoby aplikace databáze - databázové programy (jejich přednosti a omezení) databáze v archeologii - databáze jako výstup

Více

Dobývání znalostí z webu web mining

Dobývání znalostí z webu web mining Dobývání znalostí z webu web mining Web Mining is is the application of data mining techniques to discover patterns from the Web (Wikipedia) Tři oblasti: Web content mining (web jako kolekce dokumentů)

Více

HR reporting aneb kouzla s daty. 24.3.2015 Jan Pavelka

HR reporting aneb kouzla s daty. 24.3.2015 Jan Pavelka HR reporting aneb kouzla s daty 24.3.2015 Jan Pavelka HR snídaně vážně i s humorem 2 Agenda 1. Historie 2. Metody 3. Projekt 4. Nástroje 3 Hodnota pro business Analýza HR dat 4. Prediktivní analýza 2.

Více

Obsah ČÁST I JAK SE UCHÁZET O ZÁKAZNÍKY NA WEBU KAPITOLA 1

Obsah ČÁST I JAK SE UCHÁZET O ZÁKAZNÍKY NA WEBU KAPITOLA 1 Obsah O autorech 11 Poděkování 13 Předmluva 15 Úvod 17 Proč byste se měli přečíst tuto knihu 17 Co tato kniha obsahuje 18 Jak používat tuto knihu 19 Zpětná vazba od čtenářů 20 Errata 20 ČÁST I JAK SE UCHÁZET

Více

Masterský studijní obor datové & webové inženýrství

Masterský studijní obor datové & webové inženýrství Masterský studijní obor datové & webové inženýrství Předpoklady Struktura studia Přihlášky Poradenství Masterský studijní obor datové & webové inženýrství představuje ve studijním konceptu fakulty informatiky

Více