Aplikovaná informatika Možnosti analýzy validity a prezentace získaných dat z informačních databází. ZEMÁNEK, Z. - PLUSKAL, D. - ŠUBRT, Z.
|
|
- Josef Brož
- před 8 lety
- Počet zobrazení:
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:
Profitabilita 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
VíceMarketingový výzkum. Ing. Martina Ortová, Ph.D. Technická univerzita v Liberci. Projekt TU v Liberci
Tento materiál vznikl jako součást projektu, který je spolufinancován Evropským sociálním fondem a státním rozpočtem ČR. Marketingový výzkum Ing., Ph.D. Technická univerzita v Liberci Projekt 1 Technická
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
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
VíceStatSoft Úvod do data miningu
StatSoft Úvod do data miningu Tento článek je úvodním povídáním o data miningu, jeho vzniku, účelu a využití. Historie data miningu Rozvoj počítačů, výpočetní techniky a zavedení elektronického sběru dat
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
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
VíceANALÝZA NÁKUPNÍHO KOŠÍKU SEMINÁŘ
ANALÝZA NÁKUPNÍHO KOŠÍKU SEMINÁŘ 18.11.2012 Radim Tvardek, Petr Bulava, Daniel Mašek U&SLUNO a.s. I Sadová 28 I 702 00 Ostrava I Czech Republic PŘEDPOKLADY PRO ANALÝZU NÁKUPNÍHO KOŠÍKU 18.11.2012 Daniel
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?
VíceJak úspěšně bojovat s ekonomickou krizí pomocí CI
Jak úspěšně bojovat s ekonomickou krizí pomocí CI Každá doba sebou přináší příležitosti a hrozby, ti úspěšní se s nimi dokážou vyrovnat. Nástroje pro Competitive Intelligence (CI) pomáhají identifikovat
VíceDatová věda (Data Science) akademický navazující magisterský program
Datová věda () akademický navazující magisterský program Reaguje na potřebu, kterou vyvolala rychle rostoucí produkce komplexních, obvykle rozsáhlých dat ve vědě, v průmyslu a obecně v hospodářských činnostech.
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
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
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
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
VíceZnalostní ekonomika lení konkurenceschopnosti, Josef Budík
Znalostní ekonomika klíč k posílen lení konkurenceschopnosti, využit ití inovačního potenciálu Josef Budík Znalostní ekonomika a inovace Základní úvaha o znalostní ekonomice: Jedinou evropskou šancí,,
VíceAplikovaná informatika
Aplikovaná informatika Analýza validity informací a tvorba citací. ZEMÁNEK, Z. - PLUSKAL, D. - SMETANA, B. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního
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
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 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
VíceSegmentace bankovních zákazníků algoritmem k- means
Segmentace bankovních zákazníků algoritmem k- means LS 2014/2015 Michal Heřmanský xherm22 Obsah 1 Úvod... 3 1.1 CRISP- DM... 3 2 Porozumění problematice a datům... 4 3 Příprava dat... 5 4 Modelování...
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,
VíceÚvod do podnikových financí. ednáška
Úvod do podnikových financí 3. přednp ednáška Podnikové procesy Prodejní činnost (včetn etně marketingu) Nákupní činnost Výrobní činnost Investiční činnost Řízení a správa Prodejní činnost je výchozím
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
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
VíceMANAŽERSKÉ 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
VíceManažerská ekonomika KM IT
KVANTITATIVNÍ METODY INFORMAČNÍ TECHNOLOGIE (zkouška č. 3) Cíl předmětu Získat základní znalosti v oblasti práce s ekonomickými ukazateli a daty, osvojit si znalosti finanční a pojistné matematiky, zvládnout
VíceInformační média a služby
Informační média a služby Výuka informatiky má na Fakultě informatiky a statistiky VŠE v Praze dlouholetou tradici. Ke dvěma již zavedeným oborům ( Aplikovaná informatika a Multimédia v ekonomické praxi
VíceBig data ukážou mapu, TOVEK řekne kudy jít
Řešení pro Competitive Intelligence Big data ukážou mapu, TOVEK řekne kudy jít Tomáš Vejlupek President Tovek 6.11.2015, VŠE Praha TOVEK, spol. s r.o. Výsledek zpracování BIG DATA Jaké cesty k cíli mohu
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
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
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
VíceVymezení 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
VíceŘízení bezpečnosti. Úvod do předmětu, terminologie, legislativní rámec a obecné zásady zajišťování bezpečnosti
Řízení bezpečnosti Úvod do předmětu, terminologie, legislativní rámec a obecné zásady zajišťování bezpečnosti Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního
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
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
VícePowerOPTI 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
VíceVýroční zpráva společnosti Corpus Solutions a.s. za rok Popis účetní jednotky. Název společnosti: Corpus Solutions
Výroční zpráva společnosti Corpus Solutions a.s. za rok 2013 Popis účetní jednotky Název společnosti: Corpus Solutions Sídlo:, Praha 4, 140 00 Právní forma: a.s. IČO: 25764616 Rozhodující předmět činnosti:
VícePROJEKT BAKALÁŘSKÉ PRÁCE
PROJEKT BAKALÁŘSKÉ PRÁCE NÁZEV STUDIJNÍHO OBORU NÁZEV BAKALÁŘSKÉ PRÁCE Interní komunikace v návaznosti na odběratelsko-dodavatelské vztahy ve firmě RosenPharma a.s. TERMÍN UKONČENÍ STUDIA A OBHAJOBA (MĚSÍC/ROK)
VíceVýukový materiál zpracovaný v rámci projektu Výuka moderně
Střední průmyslová škola strojnická Olomouc, tř. 17. listopadu 49 Výukový materiál zpracovaný v rámci projektu Výuka moderně Registrační číslo projektu: CZ.1.07/1.5.00/34.0205 Šablona: III/2Management
VíceARCHITEKTURA INFORMAČNÍCH SYSTÉMŮ PODLE ÚROVNĚ ŘÍZENÍ
ARCHITEKTURA INFORMAČNÍCH SYSTÉMŮ PODLE ÚROVNĚ ŘÍZENÍ Podle toho, zda informační systém funguje na operativní, taktické nebo strategické řídicí úrovni, můžeme systémy rozdělit do skupin. Tuto pyramidu
Více1. Selekce a restrikce informací 2. Specifikace profesních témat 3. Možnosti databázových zdrojů pro profesní téma. samostudia
Aplikovaná informatika Získávání a zhodnocování informací z volně dostupných databázových zdrojů na dané profesní téma. ZEMÁNEK, Z. PLUSKAL, D. SMETANA, B. Operační program Vzdělávání pro konkurenceschopnost
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
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
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
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
VícePRODUKTY. 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.
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
VíceInformace pro uznávání předmětů ze zahraničních studijních pobytů (2016/17) Státnicové předměty navazujících magisterských studijních oborů
Informace pro uznávání předmětů ze zahraničních studijních pobytů (2016/17) doporučení k uznání státnicových předmětů potvrzuje garant předmětu doporučení k uznání předmětů, které nejsou uvedeny jako státnicové,
VíceMANAŽERSKÉ ROZHODOVÁNÍ. Téma 1 - Normativní a deskriptivní teorie rozhodování, struktura problémů a rozhodovacích procesů
MANAŽERSKÉ ROZHODOVÁNÍ Téma 1 - Normativní a deskriptivní teorie rozhodování, struktura problémů a rozhodovacích procesů doc. Ing. Monika MOTYČKOVÁ (Grasseová), Ph.D. Univerzita obrany Fakulta ekonomika
VíceSystémy pro podporu. rozhodování. 2. Úvod do problematiky systémů pro podporu. rozhodování
1 Systémy pro podporu rozhodování 2. Úvod do problematiky systémů pro podporu rozhodování 2 Připomenutí obsahu minulé přednášky Rozhodování a jeho počítačová podpora Manažeři a rozhodování K čemu počítačová
VíceInovační vouchery s Univerzitou Hradec Králové. doc. Ing. Mgr. Petra Marešová, Ph.D. Ing. Richard Cimler
Inovační vouchery s Univerzitou Hradec Králové doc. Ing. Mgr. Petra Marešová, Ph.D. Ing. Richard Cimler Úvod Hlavní směry výzkumu: = Informační technologie = Bioinformatika = Ekonomika a management = Vzdělávání
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
VíceZákladní informace o co se jedná a k čemu to slouží
Základní informace o co se jedná a k čemu to slouží založené na relačních databází transakční systémy, které jsou určeny pro pořizování a ukládání dat v reálném čase (ERP, účetní, ekonomické a další podnikové
VíceInformace a znalosti v organizaci
Informace a znalosti v organizaci Vladimíra Zádová Postavení informací a znalostí z hlediska úspěšnosti firmy Vnitřní faktory Rámec 7S faktorů úspěchu firmy [ Mc Kinsey ] Struktura Strategie Systémy Spolupracovníci
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
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
VícePohled zvenčí je metoda řešení problémů společností a firem
Pohled zvenčí je metoda řešení problémů společností a firem Pohled zvenčí je metoda, která je založena na nestranné a nezávislé analýze, která má za cíl odhalení příčin a zdrojů problémů a potíží a nabízí
VíceČeský institut pro akreditaci, o.p.s. Ing. Milan Badal
Systémy jakosti (úvod( do systémů řízení) Český institut pro akreditaci, o.p.s. Ing. Milan Badal Úvod Zavedení systému managementu jakosti mám být strategickým rozhodnutím m organizace. Návrh a uplatnění
VíceMAPA VÝZKUMU 13/03/2015 1
MAPA VÝZKUMU 13/03/2015 1 VÝZKUMNÁ ZPRÁVA velikost příspěvku pro vědu není tak důležitá jako kvalita práce,v níž se přínos demonstruje. S původností práce se asociují vlastnosti jako novost, nový styl
VícePRAXE A PŘÍNOSY INDEXOVÉHO BENCHMARKINGU PRACTISE AND BENEFITS OF INDEX BENCHMARKING
PRAXE A PŘÍNOSY INDEXOVÉHO BENCHMARKINGU PRACTISE AND BENEFITS OF INDEX BENCHMARKING Daniel Salava 1 Anotace: Tento článek se zabývá problematikou a aspekty užití indexového benchmarkingu zejména v malých
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
VíceUrčeno studentům středního vzdělávání s maturitní zkouškou, předmět: Marketing a management, téma: Marketingový výzkum
Určeno studentům středního vzdělávání s maturitní zkouškou, předmět: Marketing a management, téma: Marketingový výzkum Pracovní list vytvořila: Mgr. Radka Drobná Období vytvoření VM: duben 2012 Klíčová
Více5. Umělé neuronové sítě. Neuronové sítě
Neuronové sítě Přesný algoritmus práce přírodních neuronových systémů není doposud znám. Přesto experimentální výsledky na modelech těchto systémů dávají dnes velmi slibné výsledky. Tyto systémy, včetně
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
VíceDolování z textu. Martin Vítek
Dolování z textu Martin Vítek Proč dolovat z textu Obrovské množství materiálu v nestrukturované textové podobě knihy časopisy vědeckéčlánky sborníky konferencí internetové diskuse Proč dolovat z textu
VícePRODUKTY. Tovek Tools
Analyst Pack je 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
VíceMORAVSKÁ VYSOKÁ ŠKOLA OLOMOUC. Nabídka Inovačních voucherů
MORAVSKÁ VYSOKÁ ŠKOLA OLOMOUC Nabídka Inovačních voucherů MORAVSKÁ VYSOKÁ ŠKOLA OLOMOUC Hlavní zaměření: Odborná specializace: EKONOMIKA a MANAGEMENT Inovační management Informační a komunikační technologie
VíceSegmentace návštěvníků
angl. visitor segmentation je marketingový proces v cestovním ruchu, ve kterém se potenciální návštěvníci rozdělují do stejnorodých, avšak od sebe se lišících skupin, dle určitých kritérií tvořící tzv.
VíceCZ.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
VícePřednáška č. 11 PRODEJNÍ ČINNOST PODNIKU. 9.12. 2008 doc.ing. Roman ZámeZ
Přednáška č. 11 PRODEJNÍ ČINNOST PODNIKU 9.12. 2008 doc.ing. Roman ZámeZ mečník, PhD. 1 Osnova přednášky 1. PŘEDMĚT T A OBSAH PRODEJE 2. TVORBA STRATEGIE A PLÁNOV NOVÁNÍ PRODEJE 3. ORGANIZAČNÍ ZAČLEN LENĚNÍ
VíceSMS 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.
VíceELO Analytics Vaše obchodní metriky na jednom místě. Vaše obchodní metriky na jednom místě. Enterprise Content Management
ELO Analytics ELO Analytics Enterprise Content Management www.elo.com ELO ECM Suite 10 ELO Analytics pro správu informací ELO Analytics vám umožňují zhodnotit a pochopit veškerá data vaší společnosti na
Vícecoachpage.cz MARKETINGOVÝ VÝZKUM Faktory ovlivňující nákupní chování ve vztahu ke koupi automobilu TOOLS for SUCCESS in TODAY s BUSINESS
coachpage.cz TOOLS for SUCCESS in TODAY s BUSINESS MARKETINGOVÝ VÝZKUM Faktory ovlivňující nákupní chování Faktory ovlivňující nákupní chování Hlavní cíl výzkumného projektu Výzkumný projekt si klade za
VíceModelování procesů s využitím MS Visio.
Modelování procesů s využitím MS Visio jan.matula@autocont.cz Co je to modelování procesů? Kreslení unifikovaných či standardizovaných symbolů, tvarů a grafů, které graficky znázorňují hlavní, řídící nebo
Víceproduktu na základz vková křivka P = f(q) 1/2/10 13:53 2.cvičen ení EET 1
Příklad na sestavení poptávkov vkové křivky produktu na základz kladě průzkumu trhu Produkt balíček služeb mobilních komunikací, typu předplacenp edplacené služby Vzorek zákaznz kazníků studenti na cvičen
VíceZáklady business intelligence. Jaroslav Šmarda
Základy business intelligence Jaroslav Šmarda Základy business intelligence Business intelligence Datový sklad On-line Analytical Processing (OLAP) Kontingenční tabulky v MS Excelu jako příklad OLAP Dolování
VíceMarketingová komunikace. 3. soustředění. Mgr. Pavel Vávra 9103@mail.vsfs.cz. Kombinované studium Skupina N9KMK3PH (vm3bph)
Marketingová komunikace Kombinované studium Skupina N9KMK3PH (vm3bph) 3. soustředění Mgr. Pavel Vávra 9103@mail.vsfs.cz http://vavra.webzdarma.cz/home/index.htm Zdroje Studijní materiály Heleny Palovské
VíceProf. Ing. Ladislav Buřita, CSc., UTB/FaME Zlín Ing. Pavel Rosman, Ph.D., UTB/FaME Zlín Ass. prof. Zsolt Tóth, University of West Hungary, Sopron
Výuka informatiky v Bc. studijních programech fakult, zaměřených na ekonomiku, management a podnikání veřejných vysokých škol v Maďarsku Informatics at the Hungary Public Universities for Bachelor Students
VíceCHARAKTERISTIKA VZDĚLÁVACÍ OBLAST VYUČOVACÍ PŘEDMĚT ZODPOVÍDÁ INFORMAČNÍ A KOMUNIKAČNÍ TECHNOLOGIE
CHARAKTERISTIKA VZDĚLÁVACÍ OBLAST VYUČOVACÍ PŘEDMĚT ZODPOVÍDÁ INFORMATIKA Ing. Irena Martinovská Vyučovací předmět informatika je zařazen samostatně ve 4. - 9. ročníku v hodinové dotaci 1 hodina týdně.
Vícever. 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
VíceVzdělávací obsah vyučovacího předmětu
V.9.3. Vzdělávací obsah vyučovacího předmětu Vzdělávací oblast: Inormatika a informační a komunikační technologie Vyučovací předmět: Informatika Ročník: 1. ročník + kvinta chápe a používá základní termíny
VíceDIGITÁLNÍ 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,
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
VíceStřední odborné učiliště Domažlice, škola Stod, Plzeňská 322, 33301 Stod
Střední odborné učiliště Domažlice, škola Stod, Plzeňská 322, 33301 Stod Registrační číslo projektu : Číslo DUM : CZ.1.07./1.5.00/34.0639 VY_32_INOVACE_04.02 Tématická oblast : Inovace a zkvalitnění výuky
Více3. 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
VíceSYSTÉMY ŘÍZENÍ PODNIKU OKRUHY OTÁZEK KE ZKOUŠCE Z PŘEDMĚTU MPH_SYRP V magisterském studiu
SYSTÉMY ŘÍZENÍ PODNIKU OKRUHY OTÁZEK KE ZKOUŠCE Z PŘEDMĚTU MPH_SYRP V magisterském studiu 20010-2011 1. Historické příčiny vzniku systémového přístupu k zobrazování a analýze reálných objektů. Podstata
VíceBezpečně Vás provedeme světem GIS. Možnosti a přínosy využití GIS při zpracování dat
Bezpečně Vás provedeme světem GIS Možnosti a přínosy využití GIS při zpracování dat Bezpečně Vás provedeme světem GIS Obsah prezentace Představení společnosti Jaké výhody přináší zobrazení firemních dat
VíceDATABÁZOVÉ SYSTÉMY. Metodický list č. 1
Metodický list č. 1 Cíl: Cílem předmětu je získat přehled o možnostech a principech databázového zpracování, získat v tomto směru znalosti potřebné pro informačního manažera. Databázové systémy, databázové
VíceČeské Budějovice. 2. dubna 2014
České Budějovice 2. dubna 2014 1 IBM regionální zástupci - Jihočeský kraj Michal Duba phone: +420 737 264 058 e-mail: michal_duba@cz.ibm.com Zdeněk Barlok phone: +420 731 435 534 e-mail: zdenek_barlok@cz.ibm.com
VíceStatistika. Základní pojmy a cíle statistiky. Roman Biskup. (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at) .
Statistika Základní pojmy a cíle statistiky Roman Biskup (zapálený) statistik ve výslužbě, aktuálně analytik v praxi ;-) roman.biskup(at)email.cz 12. února 2012 Statistika by Birom Statistika Pojmy a cíle
VícePřednáška č. 1 VÝNOSY, NÁKLADY, doc. Ing. Roman ZámeZ
Přednáška č. 1 VÝNOSY, NÁKLADY, N 16.9.2008 doc. Ing. Roman ZámeZ mečník, PhD. 1 Osnova přednášky 1. VÝNOSY A TRŽBY 2. NÁKLADY A JEJICH KLASIFIKACE 2 1.VÝNOSY A TRŽBY Definice výnosů Výnosy podniku tvoří:
VíceBakalářský 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
VíceJak efektivně pracovat s ekonomickými informacemi? Petr Musil Bisnode a.s.
Jak efektivně pracovat s ekonomickými informacemi? Petr Musil Bisnode a.s. INFORMACE VÝZNAM snižují entropii systému; součástí komunikačního procesu. ČLENĚNÍ interní o stavu objektu (výroba, finanční situace,
VíceManagement. 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
Vícetechnologie 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
VícePro zvládnutí této kapitoly budete potřebovat 4-5 hodin studia.
Úvod (Proč se zabývat statistikou?) Statistika je metoda analýzy dat, která nachází široké uplatnění v celé řadě ekonomických, technických, přírodovědných a humanitních disciplín. Její význam v poslední
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
VíceAplikovaná 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
VíceVýukový materiál zpracovaný v rámci projektu Výuka moderně
Střední průmyslová škola strojnická Olomouc, tř. 17. listopadu 49 Výukový materiál zpracovaný v rámci projektu Výuka moderně Registrační číslo projektu: CZ.1.07/1.5.00/34.0205 Šablona: III/2Management
Více