Jak využít data o zákaznících ke zvýšení příjmů z prodeje
|
|
- David Müller
- před 8 lety
- Počet zobrazení:
Transkript
1 Jak využít data o zákaznících ke zvýšení příjmů z prodeje Michal Kadlec Marek Loukotka Lubomíra Červová info@acrea.cz Program Dívejte se na budoucnost, ne jen na minulost 1
2 Jaká data využíváme? Hodnotná, dynamická data zdroj konkurenční výhody Interakční data - / chat -Poznámky z call center -Záznamy z webu - Real-time interakce Data o postojích -Názory - Preference -Potřeby & Přání - Spokojenost Popisná data -Atributy - Charakteristiky - Deklarované info -(Geo)demografika Behaviorální data - Objednávky -Transakce - Platební historie - Historie užívání Tradiční data Důležité aspekty správný čas vše dohromady správný zákazník servis správné místo 2
3 Predictive Customer Analytics Všichni již s daty pracují. Otázkou je jak? 3
4 Jak využít data o zákaznících Proč jsme tady? info@acrea.cz Agenda Obecný přístup ke zvyšování zisku Typy řešení práce se zákaznickými daty Řešení cross sellu / up sellu Praktická ukázka Jednou úlohou to nekončí 4
5 Jak na zvýšení zisku? Zisk = výnosy -náklady Zvýšení výnosů zvýšení objemu změna ceny změna produktu Snížení nákladů snížení nákladů na aktivity změna produktu snížení počtu pracovníků Pohybujeme se v oblasti 5P: Product-kvalita, sortiment, design, image Place-distribuční cesty, intenzita distribuce Price - poslání ceny, cenové nástroje Promotion-propagace, podpora prodeje, public relations People -know how Jak na zvýšení objemu? Orientací na prodej orientován na produkt orientován na objem jednostranný proces krátkodobé cíle bez rozlišení zákazníků málo se přizpůsobuje prostředí (cena) Orientací na marketing orientován na zákazníka výstup určuje marketingový výzkum oboustranný proces (zpětná vazba se zákazníkem) dlouhodobé cíle (CRM) klade důraz na skupiny zákazníků (segmenty) vhodně se přizpůsobuje prostředí (životní cyklus výrobku) * Role statistiky a data miningu v marketingu 5
6 Customer relationship management (CRM) obchodní koncept, kdy firma získá ucelenou představu o zákazníkovi pro zlepšení vztahu sním a maximalizaci zisku zněho představuje sadu procesů a technologií podporujících tvorbu dlouhodobého ziskového vztahu se specifickým zákazníkem, ústředním cílem CRM je zvýšení hodnoty zákazníka díky lepšímu pochopení jeho potřeb a preferencí marketing je chápán jako vztahy, vazby, interakce management neustálé obchodní interakce mezi dodavatelem a odběratelem Není to pouze modul v Informačním systému! Jak na zákazníka? Jaké úlohy se řeší v oblasti marketingu a pomáhají k pochopení zákazníka? Cross sell/ up sell Next best offer(action) Segmentace Analýza odchodu zákazníka ke konkurenci (churn) Analýza vlivu faktorů (marketing, konkurence, změna produktu atd.) na prodej 6
7 Koncept Zvýšení zisku Vyhodnocení Zvýšení prodeje Aplikace Pochopení zákazníka Cross sell / up sell Úlohy pro zvýšení hodnoty zákazníka Zákazník očekává přidanou hodnotu Up sell -zákazníkovi je nabízen produkt nebo služba pokročilejší nebo vyšší verze Cross sell -zákazníkovi je nabízen produkt nebo služba související se základní položkou Proč používat? Schopnost efektivně pracovat se stávajícím zákazníkem vykazuje vyšší profitabilitu než získávání zákazníků na volném trhu nebo od konkurence. 7
8 Data k úloze Strukturovaná statická osoby, produkty, smlouvy behaviorální nákupy, transakce, spotřeba, komunikace Nestrukturovaná text weby, sociální sítě, blogy, obchodní záznamy, stížnosti, protokoly zvuk telefonní hovory, výpovědi obraz a video fotografie, sociální sítě, kamerové systémy Data mining Data mining je proces objevování významných netriviálních závislostí, vzorů a trendů cíleným prozkoumáváním velkých objemů dat pomocí algoritmů pro odhalování pravidel a pomocí matematických a statistických algoritmů. (Gartner Group) DATA MINING je velice složitý informační systém; vytváření nejrůznějších modelů (Zápisky z přednášky marketingu) 8
9 Dataminingové přístupy ke cross sellu / up sellu Asociační a sekvenční pravidla hledání asociací mezi nakupovaným zbožím hledání užitečných pravidel mezi mnoha položkami nesupervizované učení analýza nákupního košíku Predikce oslovení kampaní známé chování zákazníků supervizované nebo semi-supervizované učení propenzitní skóre Asociační a sekvenční pravidla Asociační pravidla ukazují, které hodnoty atributů se v datech vyskytují společně závěr <= předpoklad1& předpoklad2 & předpokladn 9
10 Asociační a sekvenční pravidla Konkrétní využití Výběr zboží pro marketingové akce Výběr zákazníků pro marketingové akce Dodatečné nabídky (next best offer) Balíčky produktů Změna rozložení zboží v kamenných prodejnách / eshopech Všechny případy Splněné předpoklady Vyhodnocení Spolehlivost celého pravidla Podíl případů, kde jsou splněny zároveň předpoklady i závěr Navýšení (Lift) Podíl aposteriorní (spolehlivost) a apriorní pravděpodobnosti závěru Potenciál (Deployability) Podíl případů, pro které jsou splněny předpoklady, ale neplatí závěr Splněný závěr Predikce oslovení kampaní Postup úlohy Historická data Nová data z pilotní kampaně na vzorku náhodně vybraných zákazníků Data z předchozích kampaní za určitých podmínek Zaznamenání výsledků kampaně k příslušnému zákazníkovi Tvorba modelu Tvorba modelu na základě historických dat Hledání faktorů ovlivňující zákazníky Kvantifikace faktorů, ověření modelu Skórování ostatních zákazníků Kampaně Hodnocení na dvou souběžných kampaních 1. kampaň - výběr zákazníků pomocí modelu 2. kampaň - náhodný výběr zákazníků Zaznamenání výsledků kampaně Hodnocení Srovnání výsledků Hodnocení přínosu Návrh dalšího řešení Cíl: Predikovat, kteří zákazníci využijí nabídku + jaké faktory k tomu vedou 10
11 Predikce oslovení kampaní Konkrétní použití Nabídka nového produktu Nabídka vyšších, odlišných typů Aktivace zákazníků Testování kanálů Vyhodnocení -marketingové grafy Gain Procento zásahů do určitého percentilu skóre Navýšení (Lift) Podíl aposteriorní a apriorní pravděpodobnosti zásahu Úspěšnost (Response) Procento zásahů v hodnocených případech ROI Podíl výnosů a nákladů v kvantilu Důležité je sledovat percentil skóre při interpretaci grafu Shrnutí úlohy cross sell / up sell Co lze očekávat? Jaké jsou výsledky? Asociační pravidla - soubor pravidel (triviální/ užitečné/ těžko pochopitelné) - výsledky lze srovnávat se stavem před změnou, která plynula z výsledků modelu Predikce oslovení kampaní - pravděpodobnost (skóre) přiřazené každému zákazníkovi - výsledky lze srovnávat kontinuálně - orientační evaluační charakteristiky na historických datech 11
12 Praktická ukázka Tvorba modelu Interpretace modelu Hodnocení přínosů Další úlohy Jednou připravená data (alespoň validovaná) otevírají bránu k dalším úlohám Segmentace Analýza odchodu zákazníka ke konkurenci (churn) Analýza vlivu faktorů (marketing, konkurence, změna produktu atd.) na prodej Kombinování přístupů 12
13 Segmentace hledání přirozených skupin zákazníků, které jsou na základě určitých charakteristik vnitřně homogenní nesupervizované učení statická a behaviorální data výsledkem je zařazení jednotlivých zákazníků do skupin (segmentů) nejednoznačný výsledek, nutné dále interpretovat Segmentace - proces, jímž je zákaznický kmen rozdělen na odlišné skupiny Targeting - proces měření atraktivity segmentů a výběr jednoho nebo několika segmentů pro akci Positioning - proces uplatnění životaschopného konkurenčního postavení firmy a její nabídky u každého cílového segmentu Analýza odchodu zákazníka ke konkurenci hledání zákazníků, kteří mají v úmyslu rozvázat kontrakt, přestat využívat služby supervizované účení historická data o odchodech výsledkem je pravděpodobnost odchodu v definovaném časovém úseku jednoznačný výsledek Retenční kampaň Snaha udržet zákazníky, u kterých se to vyplatía zároveň neposkytovatvýhodnou nabídku zákazníkům, kteří nemají v úmyslu odejít. 13
14 Analýza vlivu faktorů na prodej (hledání a) kvantifikace faktorů, které ovlivňují prodeje, využívaní služeb, návštěvnost atd. supervizované účení historická agregovaná data výsledkem je seznam významných faktorů a jejich vliv na zkoumaný jev jednoznačný výsledkem s dobrou interpretovatelností Často kladené otázky: -Má vliv kampaň na objem prodejů/ návštěvnost? Jaký? -Jak jsou prodeje ovlivňovány svátky, kulturními akcemi, ročním období, měsíci v roce? -Vyplatí se pořádat nárazové akce? Jaký je jejich vliv, kolik přinesou? Nástrahy a problémy Lidský faktor nevěří neumí neví Problém s daty chybějící data roztříštěná data Zpožděná reakce trh se vyvíjí změna produktu, prostředí Asociační a sekvenční přístup nesupervizovaná metoda přílišná roztříštěnost produktů kategorizace zobecnění Nasazení do procesů selhává na drobnostech kontrola procesu Vše se dá vyřešit, je ale vhodné na to být připraven. 14
15 Tipy a triky na závěr Důležité je obchodní hledisko Ne všechny přínosy se dají finančně vyjádřit Opatrný start = pilotní projekt Základ je plán s časovou dotací jednotlivých fází Na konci se podívejte na začátek Kurzy Centra výuky ACREA info@acrea.cz 15
16 Centrum výuky ACREA Naše zkušenosti: v oblasti vzdělávání působíme 20 let lektorský tým tvořený zkušenými analytiky, výzkumníky a vysokoškolskými učiteli Nabízíme profesní vzdělávání v oblastech: statistika a analýza dat software data mining Na co klademe důraz profesionální přístup, vysoká odborná úroveň výuky didaktické schopnosti a kultivované vystupování lektorů srozumitelná forma výuky i pro nestatistiky spojení s praxí a předávání know-how moderní výukové metody široká nabídka témat přizpůsobení aktuálním potřebám zákazníků, vývoji v oboru, novinkám na trhu kvalitní výukové materiály spokojenost zákazníků, příjemné prostředí, ochota a vstřícnost 16
17 Veřejné kurzy místo konání: Praha, Bratislava délka kurzů: semestrální kurzy, jednodenní, dvoudenní, třídenní úroveň: široké spektrum kurzů od základních až po speciální určeno zájemcům na všech úrovních forma: klasická výuka, praktikum Základní informace maximálně 12 účastníků každý má k dispozici vlastní notebook 1 den = 8 vyučovacích hodin výuka probíhá od 9:00 do 16:30 hodin(hodinu pauza na oběd a dvě krátké přestávky) během přestávek připraveno občerstvení 17
18 Kurzy na klíč kurz vytvořený na míru podle potřeb zákazníka přizpůsobení obsahu, formy, délky kurzu možnost výuky na vlastních datech ucelená skupina kolegů z jedné firmy místo konání dle potřeb zákazníka Kde je možné získat informace o kurzech přímo zde osobně během přestávky (nebo kdykoliv jindy) webové stránky: kalendář kurzů tel/fax: kurzy@acrea.cz 18
19 Doporučované kurzy (1) Data mining semestrální kurz Data mining dolování znalostí z databází ( ) pravidelná setkávání každý čtvrtek 9:00-12:30 hodin získání ucelených znalostí z oblasti data minigu užívaný software: IBM SPSS Modeler možnost bezplatného zapůjčení softwaru během kurzu Software IBM SPSS Modeler IBM SPSS Modeler: Příprava dat pro modelování ( ) IBM SPSS Modeler: Práce s dataminingovýmimodely ( ) Doporučované kurzy (2) Dataminingové modely Dataminingové modely: asociační pravidla a analýza sekvencí ( ) Dataminingové modely: rozhodovací stromy ( ) Dataminingové modely: logistická regrese a optimální kategorizace ( ) Dataminingové úlohy Detekce podvodů (Fraud) ( ) Prediktivní údržba (plánováno) Dataminingové kurzy v Bratislavě Data mining dolovanie znalostí z databáz ( ) 19
20 Doporučované kurzy (3) Statistika a analýza dat semestrální kurz Statistická analýza dat v praxi-od pojmů k interpretaci výsledků ( ) pravidelná setkávání každý pátek 9:00-12:30 hodin získání ucelených znalostí z oblasti statistiky užívaný software: IBM SPSS Statistics možnost bezplatného zapůjčení softwaru během kurzu RFM analýza ( ) Rok neomezeného vzdělávání možnost zúčastnit se neomezeně všech našich veřejných kurzů kromě semestrálních po dobu jednoho roku (v Praze i v Bratislavě) na vybraný kurz je třeba se přihlásit nejméně 10 pracovních dní před zahájením vdobě přihlášení musí být na kurzu volná kapacita (pokud je kurz již obsazen nebo se v daném termínu neotevře, je nabídnuta alternativa) Varianty programu BASIC nepřenosné, vztahuje se pouze na osobu uvedenou na přihlášce MIDDLE přenosné, mohou se zúčastnit všichni zaměstnanci daného pracoviště, vždy však maximálně v počtu odpovídajícím zakoupenému počtu oprávnění MULTI mohou se zúčastnit všichni zaměstnanci daného pracoviště bez omezení počtu až do naplnění kapacity kurzu (max. 12 účastníků) 20
21 Využijte jeden z mnoha způsobů, jak se s námi spojit: Web: info@acrea.cz Telefon: Adresa: Krakovská Praha 1 Sociální média: ACREA ACREA CR 21
ANALÝZA NÁKUPNÍHO KOŠÍKU SEMINÁŘ
ANALÝZA NÁKUPNÍHO KOŠÍKU SEMINÁŘ 18.11.2012 Radim Tvardek, Petr Bulava, Daniel Mašek U&SLUNO a.s. I Sadová 28 I 702 00 Ostrava I Czech Republic PŘEDPOKLADY PRO ANALÝZU NÁKUPNÍHO KOŠÍKU 18.11.2012 Daniel
VíceProfitabilita klienta v kontextu Performance management
IBM Technical specialist team Pre Sale 26/10/2010 Profitabilita klienta v kontextu Performance management Co všechno řadíme do PM? Automatická data Běžný reporting Pokročilé statistické modely Včera What
VíceJak si udržet zákazníky a nabídnout jim co nejvíce?
Jak si udržet zákazníky a nabídnout jim co nejvíce? 16. dubna 2010 Presentation title to go here Name of presenter Tradiční produktově orientovaný prodej 1. Produkt 2. Komu ho prodat? 3. Jak? 4. Koupě
VíceCíle supervizovaného učení Ondřej Háva
Cíle supervizovaného učení Ondřej Háva ACREA CR Využíváme více než 40 let zkušeností IBM s hlavním cílem: řízení rozhodovacích procesů Akvizice SPSS společností IBM v říjnu 2009 Přejmenování SPSS CR na
VíceMODERNÍ METODY SEGMENTACE ZÁKAZNÍKŮ Ing. Miloš Uldrich ZÁKAZNICKÁ LOAJALITA A AKVIZICE VE FINANČNÍCH SLUŽBÁCH. StatSoft CR
Váš pomocník pro analýzu dat MODERNÍ METODY SEGMENTACE ZÁKAZNÍKŮ Ing. Miloš Uldrich StatSoft CR StatSoft StatSoft CR Dodavatel komplexních analytických řešení Výhradní dodavatel softwaru STATISTICA pro
VíceData mining. Letní semestr. únor 2016 - červen 2016. Ondřej Brom lektor, analytik, konzultant spoluautor knihy SPSS Praktická analýza dat
Letní semestr únor 2016 - červen 2016 Ondřej Brom lektor, analytik, konzultant spoluautor knihy SPSS Praktická analýza dat Centrum výuky ACREA Začněte číst v budoucnosti a otevřete si cestu k úspěchu prostřednictvím
VíceCustomer Intelligence, aneb Jak může neoblíbená analýza dat usnadnit práci marketingu
Customer Intelligence, aneb Jak může neoblíbená analýza dat usnadnit práci marketingu Filip Trojan Applied Analytics Manager, Deloitte Advisory Listopad 2012 Obsah 1. Představení 2. Marketing versus analýza
VíceSurfujte v business analýze jako profík. Naučíme Vás podpořit klíčová rozhodnutí firmy.
Surfujte v business analýze jako profík Naučíme Vás podpořit klíčová rozhodnutí firmy. Intuice nestačí. S čím Vám pomůžeme? Firmy čelí narůstající záplavě dat, posilují své analytické schopnosti a hledají
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?
VíceObohacení dat o statistické výsledky a potenciál jejich využití 2.2.2011
Obohacení dat o statistické výsledky a potenciál jejich využití 2.2.2011 Společnost SPSS CR nyní výhradní partner IBM pro prodej software IBM SPSS v ČR a SR od roku 1998 franchise SPSS Inc. SPSS Inc. vývoj
VíceIBM SPSS Decision Trees
IBM Software IBM SPSS Decision Trees Jednoduše identifikujte skupiny a predikujte Stromově uspořádané postupné štěpení dat na homogenní podmnožiny je technika vhodná pro exploraci vztahů i pro tvorbu rozhodovacích
VíceŘízení vztahů se zákazníky
Řízení vztahů se zákazníky Řízení vztahů se zákazníky Vychází z představy, že podnik je řízen zákazníkem Používanými nástroji jsou: Call Centra Customer Relationship Management (CRM) Základní vazby v řízení
VíceTechnologie ve službách online komunikace
Technologie ve službách online komunikace Lucie Staňková SAS ČR 4. prosince 2009 Digitální zkušenost E-mail Očekávání? Nízkonákladová komunikace Kreativní, intenzivní a samozřejmě úspěšné Výsledek? Malá
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
VíceMarketing. PhDr.Ing.Jaroslava Dědková Ph.D. Katedra marketingu. jaroslava.dedkova@tul.cz
Marketing PhDr.Ing.Jaroslava Dědková Ph.D. Katedra marketingu jaroslava.dedkova@tul.cz Alsbury A., Jay R. Dědková J. Honzáková I. Foret M., Procházka P., Vaculík J. Horáková I. Kolektiv autorů Odborná
VíceEKONOMICKÝ 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
VíceSTRUČNÝ PRŮVODCE ANALYTICKÝM PROCESEM
SPOLEČNOST ACREA Váš dlouholetý partner v oblasti analýzy dat - od dodání softwaru, přes řešení analytických úkolů, až po výuku statistických a dataminingových metod. STRUČNÝ PRŮVODCE ANALYTICKÝM PROCESEM
VíceKatedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group
Vytěžování dat Miroslav Čepek, Filip Železný Katedra kybernetiky laboratoř Inteligentní Datové Analýzy (IDA) Katedra počítačů, Computational Intelligence Group Evropský sociální fond Praha & EU: Investujeme
VíceDan Svoboda Partner, Business Ottima as
Dan Svoboda Partner, Business Consulting @ Ottima as Proč loajalita zajímá mě Příležitost vytvářet pozitivní příležitosti a zkušenosti "Jak chcete, aby lidé jednali s vámi, tak jednejte vy s nimi" Uchopitelné
VíceŘÍZENÍ VZTAHU SE ZÁKAZNÍKY 2 CRM úvodní informace, podstata CRM konkurenční výhoda a zdroje
ŘÍZENÍ VZTAHU SE ZÁKAZNÍKY 2 CRM úvodní informace, podstata CRM konkurenční výhoda a zdroje 2sem Ing. Některé významné/důležité pojmy - diskuse cílem je je zisk EZ odlišení se je je nutno zaujmout změna
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
VíceJak přetavit data v hodnotné informace, které nesou peníze
Powered by Jak přetavit data v hodnotné informace, které nesou peníze Martina Dvořáková 19. 10. 2014 KDO CO KDY??? 2 Zaměřeno na prodej Potřebujeme zisk, co budeme prodávat? 4 Ten náš je nejlepší 5 Produkt
VíceJak úspěšně vstoupit na online trh
Jak úspěšně vstoupit na online trh Ondřej Klega ACOMWARE s.r.o. www.acomware.cz ACOMWARE s.r.o. Hvězdova 1689/2a, 140 00 Praha 4 Tel.: 737 289 119 info@acomware.cz www.acomware.cz facebook.com/acomware
VíceMARKETINGOVÉ MINIMUM PRO FINANČNÍ ŘEDITELE V KONTEXTU AKTUÁLNÍ FINANČNÍ SITUACE
MARKETINGOVÉ MINIMUM PRO FINANČNÍ ŘEDITELE V KONTEXTU AKTUÁLNÍ FINANČNÍ SITUACE Ing. Jiří Nosek Sector Leader Financial Services & Digital Technology Praha, hotel Boscolo Prague, 3.10.2012 GfK 2012 CFO
VíceSLOVO AUTORA SEZNAM KAPITOL VYSVĚTLIVKY K PRVKŮM POUŽITÝM V UČEBNICI
SLOVO AUTORA SEZNAM KAPITOL VYSVĚTLIVKY K PRVKŮM POUŽITÝM V UČEBNICI 1. PODSTATA MARKETINGU 1.1 DEFINOVÁNÍ MARKETINGU 1.2 MARKETINGOVÝ MIX - 4 P MARKETINGU 1.3 PODNIKATELSKÉ KONCEPCE - HISTORIE MARKETINGU
VíceBIG DATA. Nové úlohy pro nástroje v oblasti BI. 27. listopadu 2012
BIG DATA Nové úlohy pro nástroje v oblasti BI 27. listopadu 2012 AGENDA 1. Úvod 2. Jaké jsou potřeby? 3. Možné řešení 2 Jaké jsou potřeby? Dopady Analýza dat potřeba nového přístupu Jak na nestrukturovaná
VíceŘízení podniku a elektronické obchodování
Řízení podniku a elektronické obchodování Elektronické podnikání Všechny podnikové procesy ovlivněné internetem Elektronický obchod Řízení dodavatelských sítí Řízení zdrojů podniku Řízení vztahů se zákazníky
VíceModerní metody automatizace a hodnocení marketingových kampaní
Moderní metody automatizace a hodnocení marketingových kampaní SAS CI Roadshow 2014 24/09/2014 Vít Stinka Agenda Představení společnosti Unicorn Systems Aliance Unicorn Systems a SAS Celkový koncept Customer
VíceData Science projekty v telekomunikační společnosti
Data Science projekty v telekomunikační společnosti Jan Romportl Chief Data Scientist, O2 Czech Republic Data, mapa a teritorium Data Science Mezioborová technicky orientovaná oblast, která se zabývá inovativním
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
VíceNejnovější trendy v B2B online reklamě Automatizace Marketingu. Ivo Vrána, Pavel Marek, www.marco.eu / www.marcob2b.cz
Nejnovější trendy v B2B online reklamě Automatizace Marketingu Ivo Vrána, Pavel Marek, www.marco.eu / www.marcob2b.cz OBSAH PREZENTACE Změny v nákupním chování Specifika online marketingu v B2B Marketingový
VíceP R Ů M Y S L O V Ý M A R K E T I N G
P R Ů M Y S L O V Ý M A R K E T I N G 5 ZS, akad.rok 2014/2015 Průmyslový marketing - VŽ 1 M A R K E T I N G O V Ý I N F O R M A Č N Í S Y S T É M ZS, akad.rok 2014/2015 Průmyslový marketing - VŽ 2 Mnoho
VíceOBSAH ČÁST 1. MARKETING V DNEŠNÍM SVĚTĚ. 1. Marketing v dnešním světě Úvod... 37
KOTLER Philip MODERNÍ MARKETING OBSAH Poděkování... 18 O autorech... 19 Předmluva... 21 Struktura publikace... 24 Studijní materiály na internetu... 26 Poděkování vydavatele Pearson Education... 28 ČÁST
VíceMultimédia a pokladní systémy
Společnost Apls je dodavatelem profesionálních pokladních systémů. Pokladní systémy APLS DOS a WinShop používá více než 4 000 uživatelů v České republice a na Slovensku. Vybrané reference: Sítě obchodů
VíceSegmentace, typologie. Základy marketingového výzkumu
Segmentace, typologie 1 Přehled lekce Proč Metodologie Jednotlivé nástroje, ukázky 2 Proč segmentaci? Na dnešních trzích jsou dva protikladné trendy: 1) Trhy se stávají masovými a globálními => unifikace
VíceCredit scoring. Libor Vajbar Analytik řízení rizik. 18. dubna 2013. Brno
Credit scoring Libor Vajbar Analytik řízení rizik 18. dubna 2013 Brno 1 PROFIL SPOLEČNOSTI Home Credit a.s. přední poskytovatel spotřebitelského financování Úvěrové produkty nákup na splátky u obchodních
VíceÚvod... VII. 1. Podstata marketingu Shrnutí... 8 Klíčová slova... 9 Otázky... 9 Literatura Strategické marketingové řízení...
BOUČKOVÁ Jana MARKETING Obsah Úvod... VII Oddíl A Pojetí marketingu a marketingového řízení 1. Podstata marketingu... 3 Shrnutí... 8 Klíčová slova... 9 Otázky... 9 Literatura... 9 2. Strategické marketingové
VíceMarketingový výzkum 10. Výzkum spokojenosti Analýza image
Marketingový výzkum 10 Výzkum spokojenosti Analýza image Měření spokojenosti zákazníků Periodické hodnocení, nástroj zlepšování kvality Spokojenost = soulad mezi očekávanou a získanou hodnotou Vliv na
VíceKalendář kurzů. zimní semestr. září 2017 leden Podporujeme Váš profesionální růst
Kalendář kurzů zimní semestr září 2017 leden 2018 Statistika a analýza dat Data mining Marketingové analýzy Software IBM SPSS Podporujeme Váš profesionální růst doc. RNDr. Jan Řehák Vzdělávání v oblastech
VíceData mining. Zimní semestr. září leden Petra Formánková, ředitelka centra výuky Ondřej Háva, vedoucí analytického oddělení
Petra Formánková, ředitelka centra výuky Ondřej Háva, vedoucí analytického oddělení Data mining Zimní semestr září 2016 - leden 2017 Centrum výuky ACREA Podporujeme Váš profesionální růst. Centrum výuky
VíceNázev a registrační číslo projektu: Číslo a název oblasti podpory: Realizace projektu: Autor: Období vytváření výukového materiálu: Ročník:
Název a registrační číslo projektu: CZ.1.07/1.5.00/34.0498 Číslo a název oblasti podpory: 1.5 Zlepšení podmínek pro vzdělávání na středních školách Realizace projektu: 02. 07. 2012 01. 07. 2014 Autor:
VíceVýkonnostní marketing velkých značek. Jan Jelínek
Výkonnostní marketing velkých značek Jan Jelínek We sell or else. Potíž mnoha textařů a agentur je ta, že nepřemýšlí o tom jak prodávat. Nikdy nepsali pro přímou odezvu. Nikdy nešli až na krev. Až donedávna
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.
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.
VíceAutor: Gennadij Kuzněcov VY_32_INOVACE_1275_Marketingová komunikace. Osobní prodej_pwp
Autor: Gennadij Kuzněcov VY_32_INOVACE_1275_Marketingová komunikace. Osobní prodej_pwp STŘEDNÍ ODBORNÁ ŠKOLA a STŘEDNÍ ODBORNÉ UČILIŠTĚ, Česká Lípa, 28. října 2707, příspěvková organizace Název školy:
VíceOBSAH PROCES MARKETINGOVÉHO PLÁNOVÁNÍ: ZÁKLADNÍ KROKY 41 ÚVOD 41 CO JE TO MARKETINGOVÉ PLÁNOVÁNÍ? 42 PROČ JE MARKETINGOVÉ PLÁNOVÁNÍ NEZBYTNÉ?
OBSAH Marketingový plán 1 Předmluva a poděkování 9 Jak pomocí této knihy dosáhnout nejlepších výsledků 11 HLAVNÍ OBLASTI PRO ZLEPŠENÍ VE STRATEGICKÉM MARKETINGOVÉM PLÁNOVÁNÍ: KDE V TÉTO KNIZE NAJDETE PRAKTICKÉ
VícePsychodiagnostika Hogan a 360 dotazník
Psychodiagnostika Hogan a 360 dotazník Na svých pozicích řešíte množství situací a vztahů, které jsou pro vás náročnější než jiné a pravděpodobně si kladete otázku proč. Jednou z možností, jak na tuto
VíceKalendář kurzů. Zimní semestr září 2015 - leden 2016. Praha / Bratislava. Statistika a analýza dat Data mining Software IBM SPSS a IBM Cognos
Kalendář kurzů a analýza dat Software IBM SPSS a IBM Cognos Zimní semestr září 2015 - leden 2016 Praha / Bratislava Vladimíra Kozojedová - manažerka pro kurzy CV Michal Kadlec - analytik, lektor, konzultant
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
VícePecharova 10, 146 20 PRAHA 4 Tel.: 222 135 544, Fax: 222 135 545 E-Mail: INBOX@MARKENT.CZ
E-BUSINESS V PODNIKOVÉ SFÉŘE PŘEHLED VÝSLEDKŮ VÝZKUMU Pecharova 1, 146 PRAHA 4 Tel.: 135 544, Fax: 135 545 E-Mail: INBOX@MARKENT.CZ Říjen 1 O č i, které vidí víc Markent, s.r.o., je společnost specializovaná
VíceIng. Pavel Rosenlacher
Marketing v sociálních sítích Webová analytika Ing. Pavel Rosenlacher pavel.rosenlacher@vsfs.cz Krátké shrnutí SEO spočívá v lepším zobrazování stránek ve výsledcích vyhledávání na vyhledávačích Souhrnně
VíceJan Penkala ACOMWARE S.R.O
Práce se zákazn kazníkem kem anebo možnosti růstu Jan Penkala ACOMWARE S.R.O. 9.11. 2011 ACOMWARE s.r.o., Business Park Průmyslová, Průmyslová 1472/11, 102 19, Praha 10, Tel.: 296 584 760, Fax: 296 584
VíceStatistika a analýza dat Data mining Marketingové analýzy Software IBM SPSS. Kalendář kurzů letní semestr únor červen 2018
Statistika a analýza dat Data mining Marketingové analýzy Software IBM SPSS Kalendář kurzů letní semestr únor červen 2018 O nás Vzdělávání v oblastech Centrum výuky ACREA je vzdělávací instituce, která
VíceIBM Enterprise Marketing Management Představení
IBM Enterprise Marketing Management Představení Jiří Slabý, Business Solution Architect Lenka Vraná, Consultant IBM skupina Enterprise Marketing Managementu (EMM) EMM mise Podpořit marketingová oddělení
VíceAplikace moderních analytických a optimalizačních metod na data získaná z technologií Smart Metering
Aplikace moderních analytických a optimalizačních metod na data získaná z technologií Smart Metering Ing. Michal Osladil, Ph.D., IBM Global Business Services CZ, SK & HU Datová exploze Každým dnem je generováno
VíceAnalytika a SAP Quo Vadis? Jiří Přibyslavský Performance Management & Business Intelligence Business Consultant
Analytika a SAP Quo Vadis? Jiří Přibyslavský Performance Management & Business Intelligence Business Consultant Informační potřeby dříve Manuální zpracování dat v Excelu nám už nevyhovuje Potřebuji analýzu
VíceTéma dizertační práce - Strategie ŠKODA AUTO pro čínský trh
Téma dizertační práce - Strategie ŠKODA AUTO pro čínský trh - Spolupráce při stanovování dlouhodobé strategie ŠKODA AUTO pro čínský trh se zaměřením na produktový management - Analýza současné pozice ŠKODA
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
VíceMarketingové řízení. Ing. Dagmar Novotná. Obchodní akademie, Lysá nad Labem, Komenského 1534
VY_32_INOVACE_MAR_88 Marketingové řízení Ing. Dagmar Novotná Obchodní akademie, Lysá nad Labem, Komenského 1534 Dostupné z www.oalysa.cz. Financováno z ESF a státního rozpočtu ČR. Období vytvoření: 10/2012
VíceHeineken Slovensko. První FMCG společnost na Slovensku s online CRM. Případová studie
Případová studie Heineken Slovensko První FMCG společnost na Slovensku s online CRM Jak jsme společnosti Heineken zefektivnili prodej, marketing a obsluhu zákazníků technologickou inovací Heineken Slovensko:
VíceAplikace městského marketingu v praxi: očekávání a realita Jiří Ježek. Měkké faktory v regionálním rozvoji, Ostrava, 25.6.2010
Aplikace městského marketingu v praxi: očekávání a realita Jiří Ježek Výzkumné problémy I. opatření a aktivity, které bychom přiřadili k městskému marketingu jsou realizovány, aniž by si jejich aktéři
VíceP R Ů M Y S L O V Ý M A R K E T I N G
P R Ů M Y S L O V Ý M A R K E T I N G 4 ZS, akad.rok 2014/2015 Průmyslový marketing - VŽ 1 Marketingové strategie ZS, akad.rok 2014/2015 Průmyslový marketing - VŽ 2 Klasifikace marketingových strategií
VíceMORAVSKÁ VYSOKÁ ŠKOLA OLOMOUC
MORAVSKÁ VYSOKÁ ŠKOLA OLOMOUC partner pro byznys inovace MORAVSKÁ VYSOKÁ ŠKOLA OLOMOUC Hlavní zaměření: Odborná specializace: EKONOMIKA a MANAGEMENT Inovační management Informační a komunikační technologie
VíceZÁKLADNÍ NABÍDKA SLUŽEB
ZÁKLADNÍ NABÍDKA SLUŽEB CROSSLINE SERVICES s.r.o. Jeremiášova 870 155 00 Praha 5 IČO: 241 43 065 DIČ: CZ24143065 Kontaktní osoba: Ing. Veronika Kimmer GSM: +420 777 755 618 veronika.kimmer@crosslineservices.cz
VíceMikroprostředí firmy
VY_32_INOVACE_MAR_86 Mikroprostředí firmy Ing. Dagmar Novotná Obchodní akademie, Lysá nad Labem, Komenského 1534 Dostupné z www.oalysa.cz. Financováno z ESF a státního rozpočtu ČR. Období vytvoření: 10/2012
VíceWebová analytika v kostce. Pavel Jašek Marketing Monday 7. listopadu 2011
Webová analytika v kostce Pavel Jašek Marketing Monday 7. listopadu 2011 Agenda 1. Webová analytika CO a PROČ 2. Typické úlohy pro různé typy webů 3. Nástroje a lidi 4. Výzvy webové analytiky snímek 2
VíceDolování 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
Vícef i r e m n í p r e z e n ta c e
f i r e m n í p r e z e n ta c e TSS Group - je mladá dynamická společnost zabývající se vývojem, výrobou, dovozem a distribucí bezpečnostních technologií. V současnosti zaměstnává přibližně 140 zaměstnanců.
VíceMaximalizujte výkon display kampaní. Jana Bujalková Analytical Lead
Maximalizujte výkon display kampaní Jana Bujalková Analytical Lead Jak si vybrat z množství cílení POVĚDOMÍ ZVAŽOVÁNÍ IN-MARKET PODOBNÁ PUBLIKA REMARKETING Efektivní zásah dle marketingových cílů DEMOGRAFIE
VíceKomunikace se zákazníkem ve 21. století
Komunikace se zákazníkem ve 21. století ACOMWARE s.r.o. Petr Cikán ACOMWARE s.r.o. Budějovická 778/3, 140 62 Praha 4 Tel.: 737 289 119 info@acomware.cz www.acomware.cz facebook.com/acomware twitter.com/acomware
VíceObsah 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
VíceŘízení 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
VíceZŠ a MŠ Brno, Kotlářská 4, příspěvková organizace
Žadatel projektu Název projektu Název operačního programu Prioritní osa programu Název oblasti podpory Celkový rozpočet projektu ZŠ a MŠ Brno, Kotlářská 4, příspěvková organizace Škola pro život v 21.
VíceŠkola: Střední škola obchodní, České Budějovice, Husova 9. Inovace a zkvalitnění výuky prostřednictvím ICT
Škola: Střední škola obchodní, České Budějovice, Husova 9 Projekt MŠMT ČR: Číslo projektu: Název projektu školy: Šablona III/2: EU PENÍZE ŠKOLÁM CZ.1.07/1.5.00/34.0536 Výuka s ICT na SŠ obchodní České
VíceDatamining 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
VíceČVUT FEL K 316. Marketing KOMUNIKAČNÍ POLITIKA. Tomek - Vávrová
KOMUNIKAČNÍ POLITIKA @ Prvky komunikačního procesu Odesílatel Kódování ZPRÁVA Dekódování Příjemce Médium ŠUM Zpětná vazba Odpověď 2 Prvky komunikačního procesu KDO? (podnik, komunikátor) CO? (poselství)
VíceSEGMENTACE ZÁKAZNÍKŮ PRO E-COMMERCE. Jan Matoušek
SEGMENTACE ZÁKAZNÍKŮ PRO E-COMMERCE Jan Matoušek Zaměření prezentace Téma: Proč některé segmentace fungují a jiné ne Žadné ohromující manažerské schéma Praxe a zkušenosti z 9-ti let tvorby segmentací Telco
VíceRealizace kurzu proběhne ve 12 výukových dnech po 6 vyučovacích hodinách. Vyučovací den bude probíhat v rozmezí 9:30 17:00.
Certifikovaný kurz: CIMA A Termín: 27. 03. 2013-13. 06. 2013, 09:30 17:00 Místo: Centrum podpory projektů VUT v Brně, Kounicova 67a, 602 00 Brno učebna č. 128 - kolem Billy po schodech nahoru, na terase
VíceVysoká škola finanční a správní, o.p.s. KMK ML Základy marketingu
Základy marketingu (B_Mar) ZS 09 Bakalářské studium Garant předmětu: Ing.Miloslav Vaňák Vyučující:.. Ing. M. Vaňák Typ studijního předmětu: povinný roč./sem.:.. 1/1 Rozsah studijního předmětu:.. 2/0/0
VíceMarketing. Struktura učiva
Marketing Didaktické zpracování učiva Struktura učiva 1. Zařazení učiva 2. Cíle učiva 3. Struktura učiva 4. Metodické zpracování učiva týkající se marketingových koncepcí 5. Metodické zpracování učiva
VícePráce 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
VíceInformační systém školy
Informační systém školy Ľuboš Lunter h t t p : / / i s. m u n i. c z / Obsah Informační systém co je, co/kdo ho tvoří Historické etapy pořízení ISu Očekávání a potřeby Podpora Filozofie Čísla Informační
VíceRole logistiky v ekonomice státu a podniku 1
Obsah KAPITOLA 1 Role logistiky v ekonomice státu a podniku 1 Úvod 2 Definice logistického řízení 2 Vývoj logistiky 5 Systémový přístup/integrace 8 Role logistiky v ekonomice 10 Role logistiky v podniku
VíceVysoká škola finanční a správní, o.p.s. KMK ML Základy marketingu
Základy marketingu (B_Zmar) ZS 09 Bakalářské studium Garant předmětu: Ing.Miloslav Vaňák Vyučující:.. Ing. M. Vaňák Typ studijního předmětu: povinný roč./sem.:.. 1/1 Rozsah studijního předmětu:.. 6 (KS)
VíceEfektivní sběr dat a jejich automatizované analýzy
Efektivní sběr dat a jejich automatizované analýzy Aneta Živná Kavalierová Libor Šlik Michal Kadlec Katarína Vlčková Ondřej Brom www.acrea.cz info@acrea.cz Program Úvod Rychlé a efektivní elektronické
Vícetelevize A Step Ahead sledovanost Dále nabízíme: informace o respondentech, které jsou doplňovány údaji o jejich životním stylu a spotřebním
sledovanost televize Provádíme elektronické měření sledovanosti televize (TV metry). Máme vlastní měřicí technologii a komplexní systém pro sběr, údržbu a zpracování dat. Náš tým odborníků má k dispozici
VíceZÁKLADNÍ NASTAVENÍ A OBSLUHA CALL CENTRA VOIPEX TEAM
ZÁKLADNÍ NASTAVENÍ A OBSLUHA CALL CENTRA VOIPEX TEAM Autor: Lubomír Kaplan Vytvořeno: 14.12.2017 Verze: 1 IPEX a.s., Roháčova 77, Praha Obsah Komu návod pomůže?... 3 Co v návodu najdete... 3 Základní pojmy
VíceMarketingový mix moderního maloobchodu s využitím customer insights
Marketingový mix moderního maloobchodu s využitím customer insights Retail in Detail Shopper Marketing 2010 Jan Bízik 26.9.2010 RiD2010, Shopper Marketing, Invite CRM, sro, 09/2010 1 Marketingové dilema
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
VíceSPECIFIKACE PŘEDMĚTU ZAKÁZKY. Popis vzdělávacích kurzů. Realizace odborného vzdělávání. zaměstnanců společnosti SUPER PET, a. s.
SPECIFIKACE PŘEDMĚTU ZAKÁZKY Popis vzdělávacích kurzů Realizace odborného vzdělávání zaměstnanců společnosti SUPER PET, a. s. Veřejná zakázka společností SUPER PET a.s. Dotovaný zadavatel Název: SUPER
VíceMODERNÍ MARKETINGOVÝ VÝZKUM
KOZEL Roman MODERNÍ MARKETINGOVÝ VÝZKUM Obsah O hlavním autorovi... 9 Slovo úvodem...11 1. Marketingové prostředí...13 1.1 Charakteristika prostředí...14 1.2 Makroprostředí...16 1.2.1 Demografické prostředí...18
VíceModerní systémy pro získávání znalostí z informací a dat
Moderní systémy pro získávání znalostí z informací a dat Jan Žižka IBA Institut biostatistiky a analýz PřF & LF, Masarykova universita Kamenice 126/3, 625 00 Brno Email: zizka@iba.muni.cz Bioinformatika:
VíceZávazná osnova projektu. 1. Cíle, věcná náplň a náklady projektu Cíle projektu Věcná náplň projektu. 1.3.
Závazná osnova projektu Vlastní návrh projektu, který se přikládá k elektronické přihlášce, musí obsahovat všechny následující části, resp. níže požadované informace, které jsou nezbytné pro posouzení
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
VíceIBM SPSS Exact Tests. Přesné analýzy malých datových souborů. Nejdůležitější. IBM SPSS Statistics
IBM Software IBM SPSS Exact Tests Přesné analýzy malých datových souborů Při rozhodování o existenci vztahu mezi proměnnými v kontingenčních tabulkách a při používání neparametrických ů analytici zpravidla
VíceOBSAH. Kapitola účetní ekonomické a právní kurzy Cestovní máhrady Hmotný a nehmotný majetek Novinky v daních a účetnictví...
OBSAH Kapitola účetní ekonomické a právní kurzy... 3 Cestovní máhrady... 3 Hmotný a nehmotný majetek... 3 Novinky v daních a účetnictví... 3 Pohledávky... 3 Cash flow... 3 Ekonomické minimum - pro začátečníky...
VíceInternetová populace zblízka Internetový prodej a jeho struktura
GfK Praha Media Internetová populace zblízka. Internetový prodej a jeho struktura Šárka Bártová, Robert Stránský GfK Growth from Knowledge The knowledge you need to make successful business decisions Internetová
VíceE-ŘEŠENÍ INTERNETOVÉ APLIKACE NAD SOFT-4-SALE
E-ŘEŠENÍ E-řešení je společným názvem pro skupinu internetových nadstaveb. V systému Soft-4-Sale poskytují podporu e-řešením, která Vám pomohou s prodejem a propagací zboží a služeb na internetu. Systém
VíceJsme reklama v Supermarketu.
Jsme reklama v Supermarketu. CashPoster vysílají impulsy! Reklamní účinek: Stačí jedno uchopení! Rozdělovač nákupů u pokladny je každý den hodně používaný předmět, který patří k dění v supermarketu - stejně
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,
Více