BA_EM Electronic Marketing. Pavel
|
|
- Radomír Aleš Pavlík
- před 7 lety
- Počet zobrazení:
Transkript
1 BA_EM Electronic Marketing Pavel
2 Agenda Efektivní data mining jako zdroj relevantních dat o potřebách zákazníků
3 Co je data mining? Je absolutní Je předem neznámý Je užitečný
4 Co jsou data?
5 Tradiční využití data-miningu
6 Tradiční využití data-miningu
7 Tradiční využití data-miningu
8 Tradiční využití data-miningu
9 Tradiční využití data-miningu
10 Otázka Uveďte příklad data miningu?
11 Můj příklad
12 Co je data mining? Data mining je činnost automatického prohledávání velkých dat pro hledání vzorců podobností (patterns) a trendů, které jsou za hranicí jednoduché analýzy. Data mining využívá pokročilé matematické algoritmy pro segmentaci data a Tradiční využití data-miningu a vyhodnocování budoucích událostí Data mining je také znám jako: Knowledge Discovery (KD) v datech (KDD).
13 Klíčové vlastnosti data miningu Automatické objevování obvyklostí Predikce předpokládaných výsledků Tvorba akčních plánů Zaměření na velké objemy dat a databází
14 Video
15 Proč jej využívat Data mining vám odpoví na otázky, které nelze zodpovědět pomocí jednoduchých dotazů a reporty
16 Video example
17 Typy Data Miningu
18 Automatic Discovery Data miningu se dosahuje pomocí stavby modelů. Model využívá algoritmy, které se aplikují na sadu hrubých dat. Výsledků automatizovaných závěrů je dosaženo pomocí zpracování jednotlivých modelů. Modely data-miningu mohou být použity pro získávání výstupů z nových dat, která ještě nikdy nevyla zpracována. Proces aplikace takového modelu se jmenuje skóring.
19 Predikce - předpovědi Mnoho forem data-miningu jsou prediktivní Např. Model může předikovat příjem lidí s vysokoškolským vzděláním Predikce jsou spojeny s pravděpodobností. Možnosti takové predikce jsou také známy jako jistoty (confidence). Jak jistá je tato předpověď? Některé formy prediktivního data miningu vytvářejí pravidla, která jsou podmínkou daných závěrů. Např. Pravidlo může specifikovat, že člověk s Bc. Vzděláním z určitého regionu má vyšší příjem než regionální průměr. Pravidla mají asociovanou podporu v tvrdých datech. Jaké procento populace splňuje dané pravidlo?
20 Seskupování - Grouping Jiná forma data miningu identifikuje logické a seskupení dat. Např. Model může identifikovat segment populace, který má určitý příjem v daném rozsahu, a nemá body za špatné řízení a kupuje si mobil každý rok.
21 Akční informace - Actionable Information Data mining nám přináší informace vhodná pro akci na základě analýzy velkých dat. Např. Developer může plánovat stavby na základě příjmových skupin žijících v dané lokalitě. Leasingovka může použít model, který identifikuje zákaznické segmenty pro zaslání nabídky na drah, luxusní vozy.
22 Proč je to dnes tak důležité? Data jsou všude kolem nás Sociální sítě Vyhledávání a porovnávání zboží Cílení reklamy Přesycení informacemi
23 Social Insight & Osobní využití Ceny pronájmů Blogy a zpravodajství Informace o filmech v kině Móda Ceny produktů Vyhledávání na porno stránkách
24 The krása vizualizace dat
25 Data Mining Process Definice problému Sběr dat a příprava Data Access Data Sampling Data Transformation Stavba modelu & hodnocení Create Model Test Model Evaluate & Interpret Model Aplikace znalostí Model Apply Custom Reports External Applicazions
26 Definice problému
27 Definice problému
28 Definice problému
29 Sběr dat a příprava Přístup k datum Data Sampling Převod dat
30 Stavba modelu & hodnocení modelu Vytvoření Modelu Otestování Modelu Vyhodnocení & Interpretace Model
31 Aplikace znalostí Aplikace modelu Reporty na míru Pro externí aplikace
32 Jak lze předpovídat vaše chování?
33 Závěr! Jsou tu ve škole/práci nějací kokoti? Řešení problému: D-Fenz Kravatový test Extremní příklad data miningu
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
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
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
VíceZískávání znalostí z dat
Získávání znalostí z dat Informační a komunikační technologie ve zdravotnictví Získávání znalostí z dat Definice: proces netriviálního získávání implicitní, dříve neznámé a potencionálně užitečné informace
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
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
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
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
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
VíceTRH A CÍLENÝ MARKETING
TRH A CÍLENÝ MARKETING základní subjekty trhu: 1. domácnosti prodávají své výrobní faktory (práce, půda, kapitál), za získané důchody (mzda, renta, úrok) nakupují výrobky a služby 2. podniky prodávají
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
VíceELEKTRONICKÝ MARKETING. Pavel Kotyza, B_EM 2. října 2014
ELEKTRONICKÝ MARKETING Pavel Kotyza, B_EM 2. října 2014 Rozcvička než začnem http://bit.ly/b_em14 Obsah kurzu I. 1/ Marketingový koncept IT CRM (Information Technology Customer Relationship Management)
VíceAnalýza nestrukturovaných dat pomocí Oracle Endeca Information Discovery
Analýza nestrukturovaných dat pomocí Oracle Endeca Information Discovery Petr Podbraný Oracle Business Intelligence Sales Consultant 1 2012 Oracle Corporation Co znamená Information Discovery? Zjednodušeně
VíceData nejsou odpad, data jsou zlato!
Data nejsou odpad, data jsou zlato! Datová analytika a moderní zobrazovací metody Ján Hrivňák 19.9.18 POSLÁNÍM Unicornu je poskytovat klientům konkurenční výhodu a vysokou přidanou hodnotu prostřednictvím
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
VíceUživatelská 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,
VíceCo se děje na VŠFS v oblasti rodinného podnikání?
Co se děje na VŠFS v oblasti rodinného podnikání? Rodinné podnikání a co nás k němu přivedlo? Kde jinde se věnovat rodinnému podnikání než na VŠFS? Naše vysokoškolská instituce splňuje některé z definičních
VíceJak využít data o zákaznících ke zvýšení příjmů z prodeje
Jak využít data o zákaznících ke zvýšení příjmů z prodeje Michal Kadlec Marek Loukotka Lubomíra Červová www.acrea.cz info@acrea.cz Program Dívejte se na budoucnost, ne jen na minulost 1 Jaká data využíváme?
VíceModerní 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:
VíceZÍSKÁVÁNÍ 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
VíceDOBÝVÁNÍ ZNALOSTÍ Z DATABÁZÍ
DOBÝVÁNÍ ZNALOSTÍ Z DATABÁZÍ Úvod a oblasti aplikací Martin Plchút plchut@e-globals.net DEFINICE A POJMY Netriviální extrakce implicitních, ch, dříve d neznámých a potenciáln lně užitečných informací z
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
VíceReklama efektivně. Možnosti na českém internetu Aukro.cz, Heureka.cz a jiné Reklama efektivně AdMarket.cz 1
Reklama efektivně Možnosti na českém internetu Aukro.cz, Heureka.cz a jiné 11.11.2011 Reklama efektivně AdMarket.cz 1 AdMarket.cz Přes 20 portálů a serverů Více než 3 mil. RU / měsíc Řešení na míru zákazníka
VícePrůměrná měsíční návštěvnost dosahuje přes 2 milióny unikátních uživatelů*.
Produktový list O službě Firmy.cz je katalogová služba, která kombinuje hledání na klíčová slova, oborové kategorie lokalitu uživatele při hledání v největší databázi firem na českém internetu. Firmy.cz
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
VíceAplikovaná informatika Možnosti analýzy validity a prezentace získaných dat z informačních databází. ZEMÁNEK, Z. - PLUSKAL, D. - ŠUBRT, Z.
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:
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
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
VíceDobývání znalostí z databází
Dobývání znalostí z databází (Knowledge Discovery in Databases, Data Mining,..., Knowledge Destilery,...) Non-trivial process of identifying valid, novel, potentially useful and ultimately understandable
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 science pro Business. Jak řídit svého Nerda
Data science pro Business Jak řídit svého Nerda Příklad studie Amazon - podíl na Ecommerce trhu Příklad studie % tržeb USA Amazonu: vybrané kategorie Příklad studie Podívejme se na boty Příklad studie
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
Více2013 IBM Corporation
2013 IBM Corporation Connections v praxi Jak vypadá nasazení Social software v praxi MICHAL HOLOUBEK Social Business konzultant, oxy Online, s.r.o. 2013 IBM Corporation Agenda Úvod Zadání a specifikace
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
VíceDobývání 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)
VíceIndikátory Strategie vzdělávací politiky ČR do roku 2020
Indikátory Strategie vzdělávací politiky ČR do roku 2020 Indikátory Strategie vzdělávací politiky České republiky do roku 2020 (dále jen Strategie ) jsou vymezeny s ohledem na tři klíčové priority Strategie,
VíceČEŠI A REKLAMA V ROCE 2012
ČEŠI A REKLAMA V ROCE 2012 Tisková informace obsahuje část výsledků z pravidelného výzkumu Postoje české veřejnosti k reklamě. Výzkum navazuje na výsledky šetření, které od roku 1993 prováděla agentura
VíceMáte již dobře vyzbrojeného firemního SYNTETIKA?
Máte již dobře vyzbrojeného firemního SYNTETIKA? Konference IDG Data jako motor vašeho byznysu Praha 6.12.2017 Tomáš Vejlupek TOVEK spol. s r.o. CO VÁM CHCI ŘÍCI Data se mohou stát palivem byznysu jen
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
VíceCíle prezentace. Strategický benchmarking absorpční kapacity veřejného sektoru Olomouckého kraje. Vzdělávací centrum pro veřejnou správu ČR, o.p.s.
Strategický benchmarking absorpční kapacity veřejného sektoru Olomouckého kraje Vzdělávací centrum pro veřejnou správu ČR, o.p.s. Rostislav Honus Cíle prezentace Seznámit posluchače s cíli a aktivitami
VíceJak vytvářet poznatkovou bázi pro konkurenční zpravodajství. ing. Tomáš Vejlupek
Jak vytvářet poznatkovou bázi pro konkurenční zpravodajství ing. Tomáš Vejlupek Informace tvořící konkurenční výhodu K rozhodování nestačí jen informace. K rozhodování je nutná také znalost umožňující
VíceKonvergovaná bezpečnost v infrastrukturních systémech
Konvergovaná bezpečnost v infrastrukturních systémech Martin Click to Bajer edit Master subtitle style Click to edit Master 28.11.2018 subtitle style 1 HROZBY AKTIVA Postupná změna aktiv a bezpečnostních
VíceMarket 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
VíceTovek Tools. Tovek Tools jsou standardně dodávány ve dvou variantách: Tovek Tools Search Pack Tovek Tools Analyst Pack. Připojené informační zdroje
jsou souborem klientských desktopových aplikací určených k indexování dat, vyhledávání informací, tvorbě různých typů analýz a vytváření přehledů a rešerší. Jsou vhodné pro práci s velkým objemem textových
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
VíceGIS jako důležitá součást BI. Jan Broulík, Petr Panec ARCDATA PRAHA, s.r.o.
GIS jako důležitá součást BI Jan Broulík, Petr Panec ARCDATA PRAHA, s.r.o. ARCDATA PRAHA, s.r.o. THE GEOGRAPHIC ADVANTAGE Motto Sladit operační taktiku s organizační strategií Strategie bez taktiky je
VíceZÍSKÁVÁNÍ 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
Více1. VYMEZENÍ ODBORNÉ STÁŽE
1. VYMEZENÍ ODBORNÉ STÁŽE Šablona stáže představuje základní rámec odborné stáže pro typovou pozici a obsahuje požadavky na obsah a průběh stáže, na stážistu i na poskytovatele stáže. Bílá pole označují
VíceJak používat statistiky položkové v systému WinShop Std.
Jak používat statistiky položkové v systému WinShop Std. Systém WinShop Std. využívá k zápisům jednotlivých realizovaných pohybů (příjem zboží, dodací listy, výdejky, převodky, prodej zboží na pokladně..)
VíceP-KAP: Kariérové poradenství
Evropské strukturální a investiční fondy Operační program Výzkum, vývoj a vzdělávání P-KAP: Kariérové poradenství prezentace pro Zlínský kraj Mgr. Miroslav Grznár Definice kariérového poradenství Spektrum
VícePrůměrná měsíční návštěvnost dosahuje přes 2 milióny unikátních uživatelů*.
Produktový list O službě Firmy.cz je katalogová služba, která kombinuje hledání na klíčová slova, oborové kategorie a lokalitu uživatele při hledání v největší databázi firem na českém internetu. Firmy.cz
VícePřes 450 Facebook aplikací za 3,5 roku existence Spravováno USD ve Facebookové reklamě Cca uživatelů v našich aplikacích 2 870
BRANDZ FRIENDZ MY Cca Přes 450 Facebook aplikací za 3,5 roku existence Spravováno 1 000 000 USD ve Facebookové reklamě Cca 1 600 000 uživatelů v našich aplikacích 2 870 000 fanoušků analyzovaných stránek
Vícesociodemografická data
sociodemografická data Představení ARBOmedia ARBOmedia je společnost, která se vrací zpět na český trh. V portfoliu má více než 30 webových projektů, včetně značek jako kinobox.cz, epravo.cz, mobile.de,
VíceNorma pro úpravu písemností. Výběrové řízení - příprava a organizace. Formální stránka obchodní korespondence. Tématické celky: Tématické celky:
Norma pro úpravu písemností Kurz je určen pro každého, kdo vytváří dokumenty a korespondenci. V rámci kurzu se seznámí se základními pravidly pro úpravu písemností, což mu umožní vytvářet dokumenty, které
VíceBusiness Intelligence. Adam Trčka
Business Intelligence Adam Trčka 09:00 11:30: BI v kostce Navrhněme si sklad Ukázka BI Datamining 12:30 14:30: Pokračování kurzu 14:30 15:00: Q&A Agenda Co se dnes dovíme? Data informace znalost Business
VíceDIGITÁLNÍ UČEBNÍ MATERIÁL
DIGITÁLNÍ UČEBNÍ MATERIÁL Číslo projektu CZ.1.07/1.5.00/34.0763 Název školy SOUpotravinářské, Jílové u Prahy, Šenflukova 220 Název materiálu INOVACE_32_MaM 1./01/02/17 Autor Obor; předmět, ročník Tematická
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
VícePřednáška č.6. Mezinárodní marketingový výzkum
Přednáška č.6 Mezinárodní marketingový výzkum Mezinárodní výzkum trhu Motto Kdo zná svého zákazníka, ten mu umí nabídnout zboží, které potřebuje způsobem, který ho zaujme. Marketingový výzkum systematické
VíceIng. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence
APLIKACE UMĚLÉ INTELIGENCE Ing. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence Aplikace umělé inteligence - seminář ING. PETR HÁJEK, PH.D. ÚSTAV SYSTÉMOVÉHO INŽENÝRSTVÍ A INFORMATIKY
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
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
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
VíceSpecialista marketingu
Specialista marketingu Specialista marketingu zajišťuje marketingové aktivity vycházející ze strategického plánu organizace, jejichž cílem je zviditelnění a propagace společnosti, produktů nebo konkrétní
VíceQSAR Application Toolbox nářadí pro tvorbu validovaných modelů QSAR
QSAR Application Toolbox nářadí pro tvorbu validovaných modelů QSAR Státní zdravotní ústav, Šrobárova 48, 10042, Praha 10 Marian Rucki, Miloň Tichý, 2008 Stručný úvod OECD aktivita pro zvýšení akceptování
VíceFenomén Big Data Pohled technický
Fenomén Big Data Pohled technický Diribet / Q-DAS Konference Homo Digitalis, 2014-10-09 Motivace Běžná situace při rozhodování: Mám více dat, než jsem schopen zpracovat Mám pocit nedostatku informací Více
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
VíceZpracování IoT dat Jiří Batěk
Zpracování IoT dat Od sběru údajů ke kognitivnímu podnikání Jiří Batěk ředitel divize technologických služeb ČRa IoT Summit & Expo, Praha 4. června 2019 Práce s daty: od údajů přes informace k inteligenci
VíceHR 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.
VícePŘEZKOUMÁNÍ SYSTÉMU MANAGEMENTU KVALITY V HEMATOLOGICKÉ LABORATOŘI
PŘEZKOUMÁNÍ SYSTÉMU MANAGEMENTU KVALITY V HEMATOLOGICKÉ LABORATOŘI Bc. Jiří Kotrbatý Akreditace v hematologické laboratoři, Sysmex Hotel Holiday Inn, Brno, salonek Beta 16.4.2015 Přezkoumání systému
VíceEnergetický management. Viktor Bartoš projektový manažer
Energetický management Viktor Bartoš projektový manažer Informace a vývoj společnosti Kdo je informovaný: šetří peníze vyhýbá se chybným rozhodnutím porazí konkurenci vydělává peníze vyhrává vládne ZPA
VíceR E A L I T N Í K A N C E L Á Ř H E S T I A G R O U P. Garantovaný prodejní plán
R E A L I T N Í K A N C E L Á Ř H E S T I A G R O U P Garantovaný prodejní plán KVALITNÍ PŘÍPRAVA JE ZÁKLADEM Zpracování tržního odhadu Správně stanovená prodejní cena je jedním z nejpodstatnějších aspektů,
VíceSystém detekce a pokročilé analýzy KBU napříč státní správou
Systém detekce a pokročilé analýzy KBU napříč státní správou Stanislav Bárta Vedoucí oddělení analýzy síťového provozu @ NÚKIB Kamil Doležel Technical Director @ Service & Support spol. s r. o. 25. 10.
Více1. VYMEZENÍ ODBORNÉ STÁŽE
1. VYMEZENÍ ODBORNÉ STÁŽE Šablona stáže představuje základní rámec odborné stáže pro typovou pozici a obsahuje požadavky na obsah a průběh stáže, na stážistu i na poskytovatele stáže. Bílá pole označují
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
VíceVIKBA32 Informační vzdělávání Modely informační gramotnosti Rozdíl mezi mediální a informační gramotností. Mgr. Jan Zikuška 1.3.
VIKBA32 Informační vzdělávání Modely informační gramotnosti Rozdíl mezi mediální a informační gramotností Mgr. Jan Zikuška 1.3. 2013 1 Modely informační gramotnosti Model = zobecněný obsah IG Opakující
VíceMetody marketingového výzkumu (N_MMV) ZS 09
Vysoká škola finanční a správní, o.p.s. Metody marketingového výzkumu (N_MMV) ZS 09 Magisterské studium Garant předmětu:. PhDr. I. Petrová Vyučující:.. PhDr. I. Petrová Typ studijního předmětu: povinný
VíceBenchmarking ve veřejné správě
Benchmarking ve veřejné správě Ing. Jana Voldánová 4. NKQ Karlovy Vary 24. 1. 2008 Benchmarking = metoda řízení kvality Organizaci umožňuje: měřit vlastní výkon porovnávat jej s výkonem ostatních sdílet
VíceVyužití sociálních sítí pro komunikaci s absolventy a profesní uplatnění absolventů Petr Macek Workshop KA05, Olomouc, 12. 5. 2015
Využití sociálních sítí pro komunikaci s absolventy a profesní uplatnění absolventů Petr Macek Workshop KA05, Olomouc, 12. 5. 2015 www.kredo.reformy-msmt.cz Agenda Účel sociálních sítí pro marketing Sociální
VíceDESET LET S THESES.CZ Ing. Jitka Brandejsová
DESET LET S THESES.CZ Ing. Jitka Brandejsová OBECNÉ KONCEPTY Plagiát vs. software pro detekci podobností Cílem je kvalitnější vzdělání Schopnost práce s textem. Schopnost práce s citacemi. Akademická čest
VíceRole B2B tisku v marketingové komunikaci
Role B2B tisku v marketingové komunikaci V Ý Z K U M P R O S E K C I Č A S O P I S Ů U N I E V Y D AVAT E L Ů Cíle výzkumu Cílem výzkumu bylo vyplnit informační mezeru týkající se role tisku v oblasti
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
VíceJak připravit podnikový controlling a ABC Multidimenzionální vyhodnocování ziskovosti
Jak připravit podnikový controlling a ABC Multidimenzionální vyhodnocování ziskovosti Dean Brabec, Petra Řeřichová Cíle prezentace Specifikovat rozdíly mezi klasickým přístupem controllingu a sledováním
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
VícePROFILOVÁ ČÁST MATURITNÍ ZKOUŠKY 2013 v oboru: 26-46-M/001 OBRAZOVÁ A ZVUKOVÁ TECHNIKA TECHNICKÉ ZAMĚŘENÍ
PROFILOVÁ ČÁST MATURITNÍ ZKOUŠKY 2013 v oboru: 26-46-M/001 OBRAZOVÁ A ZVUKOVÁ TECHNIKA TECHNICKÉ ZAMĚŘENÍ Ředitel školy vyhlašuje v souladu s 79 odst. 3 zákona č. 561/2004 Sb., o předškolním, základním,
VíceInformační systémy 2006/2007
13 Vysoká škola báňská Technická univerzita Ostrava Fakulta strojní, Katedra automatizační techniky a řízení Informační systémy 2006/2007 Ivan Kedroň 1 Obsah Analytické nástroje SQL serveru. OLAP analýza
Víceanalýzy dat v oboru Matematická biologie
INSTITUT BIOSTATISTIKY A ANALÝZ Lékařská a Přírodovědecká fakulta, Masarykova univerzita Komplexní přístup k výuce analýzy dat v oboru Matematická biologie Tomáš Pavlík, Daniel Schwarz, Jiří Jarkovský,
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
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
VíceZměřte spokojenost zákazníků, kdekoliv a kdykoliv si přejete sledujte a optimalizujte kvalitu služeb
Změřte spokojenost zákazníků, kdekoliv a kdykoliv si přejete sledujte a optimalizujte kvalitu služeb 1 PŘÍMÁ CESTA KE ZPĚTNÉ VAZBĚ ZÁKAZNÍKA Konkrétní otázka pro zákazníka, čtyři tlačítka s emotikony pro
VíceACOMWARE s.r.o. Hvězdova 1689/2a, 140 00 Praha 4 Tel.: 737 289 119 info@acomware.cz www.acomware.cz facebook.com/acomware twitter.
ACOMWARE s.r.o. Hvězdova 1689/2a, 140 00 Praha 4 Tel.: 737 289 119 info@acomware.cz www.acomware.cz facebook.com/acomware twitter.com/acomware http://dmaemailblog.com/2014/04/24/email-marketing-delivers-the-highest-roi-but-we-already-knew-that-right/
VíceEfektivní e-marketing v cestovním ruchu a jak na něj?
Efektivní e-marketing v cestovním ruchu a jak na něj? Internetová populace v ČR 6 000 000 uživatelů internetu (největší procento 15 až 55 let) 5 000 000 používá Seznam (spíše starší) 4 500 000 používá
VíceManagement rizik v životním cyklu produktu
Management rizik v životním cyklu produktu ČSJ Praha Milan Trčka Cyklus rizik produktu Nové ISO 9001:2015 a požadavky na management rizik Definice Riziko (3.09, Pozn. 3,4) Riziko - účinek nejistoty Riziko
VíceBioinformatika a výpočetní biologie KFC/BIN. I. Přehled
Bioinformatika a výpočetní biologie KFC/BIN I. Přehled RNDr. Karel Berka, Ph.D. Univerzita Palackého v Olomouci Definice bioinformatiky (Molecular) bio informatics: bioinformatics is conceptualising biology
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
Více1. VYMEZENÍ ODBORNÉ STÁŽE
1. VYMEZENÍ ODBORNÉ STÁŽE Šablona stáže představuje základní rámec odborné stáže pro typovou pozici a obsahuje požadavky na obsah a průběh stáže, na stážistu i na poskytovatele stáže. Bílá pole označují
VíceJednička na trhu zpravodajských deníků
Jednička na trhu zpravodajských deníků PŘEDSTAVENÍ POZICE NA TRHU PROFIL ČTENÁŘE 71 regionálních deníků pod jednou střechou 23 vkládaných týdeníků Regionální zaměření i celostátní možnosti V září roku
VíceServer Internetu prostøednictvím slu eb (web, e-mail, pøenos souborù) poskytuje data. Na na í pracovní stanici Internet
Více
Server Internetu prostøednictvím slu eb (web, e-mail, pøenos souborù) poskytuje data. Na na í pracovní stanici Internet
Více
Inovační vouchery s Univerzitou Hradec Králové. doc. Ing. Mgr. Petra Marešová, Ph.D. Ing. Richard Cimler
Inovační vouchery s Univerzitou Hradec Králové doc. Ing. Mgr. Petra Marešová, Ph.D. Ing. Richard Cimler Úvod Hlavní směry výzkumu: = Informační technologie = Bioinformatika = Ekonomika a management = Vzdělávání
Více