Maar zij zijn groot en ik ben klein, en dat is niet eerlijk

Maat: px
Weergave met pagina beginnen:

Download "Maar zij zijn groot en ik ben klein, en dat is niet eerlijk"

Transcriptie

1 Maar zij zijn groot en ik ben klein, en dat is niet eerlijk Een vergelijking met betrekking tot data analyse tussen het CBS en het MKB B. Kratz S. Spek Samenvatting In dit paper wordt gekeken naar data analyse bij een specialistische organisatie als het CBS. Uit het onderzoek blijkt dat men hier gebruik maakt van simpele tools, als Microsoft Office, die ook voor het MKB beschikbaar zijn. Deze kleinere spelers kunnen dit dus evenaren. Hier is echter geen behoefte aan. Het MKB kan het prima redden zonder deze analyse. 1

2 1 Voorwoord Dit paper is tot stand gekomen voor het vak Business Intelligence gegeven in Wij denken dat dit paper een frisse en kritische blik werpt op het onderwerp met (voor ons en misschien voor u ook) verrassende uitkomsten. Dit praktijkgerichte paper zou niet tot stand zijn gekomen zonder de hulp, tijd en inzet van anderen. Graag willen wij de volgende personen bedanken (in no particular order): Marton Vucsan & Dr. J. Kardaun Beiden van het CBS in Den Haag. Wij willen hun bedanken voor het interview dat wij op het CBS kantoor gedurende twee uur mochten houden en de vele interessante informatie die wij daardoor gewonnen hebben (en natuurlijk de rondgang door het rekencentrum van het CBS niet te vergeten). Peter van Tommy Voor de tijd die hij kon vrijmaken om met ons te praten over data analyse bij een MKB. Prof. Dr. Ir. H. Daniels & Victor de Bruin Beiden willen wij danken voor de organisatie van het vak. De heer Daniels in het bijzonder voor de aanzet tot dit onderwerp en de contacten die hij bezit, waardoor wij met de heer Vucsan van het CBS in contact zijn kunnen komen. Victor willen wij bedanken voor het beoordelen van onze presentatie (wat volgens ons eens een afwisseling was ten opzichte van Kennismanagement en Web mining). Voor dit paper is ook een website opgezet waar dit paper gedownload kan worden. Daarnaast staat onze presentatie zoals gegeven op maandag 26 november 2001 ook online. Verder is er wat achtergrond informatie te vinden over de auteurs en enkele foto s van de bezochte panden. Het web-adres is: Sander Spek & Benedikt Kratz, Tilburg december

3 2 Inleiding Maar zij zijn groot en ik ben klein. En dat is niet eerlijk! Dat is de wereldberoemde uitspraak van het tekenfilmkuiken Calimero. De veronderstelling voor dit paper is dat voor het MKB een soort zelfde uitspraak geldt met betrekking tot data analyse. Immers, de grote enterprises hebben geavanceerde gereedschappen tot hun beschikking terwijl bij het MKB de middelen (geld, tijd,...) hiervoor ontbreken. Daarom zal in dit paper zal gekeken worden hoe data analyse in een organisatie wordt gerealiseerd die dit tot haar core-business heeft gemaakt. In dit geval is voor het Centraal Bureau voor de Statistiek (CBS) gekozen. Vervolgens zal gekeken worden in welke mate het MKB dit kan evenaren met goedkope en simpele tools. Ook wordt nog even aandacht besteed aan het draagvlak hiervoor. Kortom, dit paper zal antwoord pogen te geven op de vraag /emph Hoe gaat data analyse in z n werk bij een organisatie die dit als core-business heeft, en hoe kan het MKB dit evenaren? Dit werkstuk is enerzijds tot stand gekomen door middel van een literatuuronderzoek. Verder zijn er ook interviews gehouden met personen werkzaam bij het CBS en in het MKB. Tot slot is er ook een gedeelte tot stand gekomen door middel van de helpfunctie van Microsoft Office 2000 en veel geëxperimenteer met dit softwarepakket. 3 Opslag van data Voor het beschrijven van de analyse methoden zal eerst ingegaan worden op de opslagkwestie. Hierin wordt de vraag beantwoord op welke manier de data het beste opgeslagen kan worden. Globaal genomen zijn er drie opslagmethoden: operationele database data warehouse data marts In de nu volgende paragrafen zullen deze behandeld worden. 3.1 Operationele Database De traditionele manier om data op te slaan is een database. Dit wordt ook wel een OLTP layer genoemd. Laudon [4] geeft de volgende definitie voor een database: 3

4 Een collectie van data, georganiseerd om meerdere applicaties tegelijkertijd te dienen, door data zo op te slaan en te beheren dat het lijkt alsof de data zich op één locatie bevindt. Deze database bevat over het algemeen dynamische, operationele data. De data is nodig voor de dagelijkse bedrijfsvoering, en wordt door deze bedrijfsvoering ook constant veranderd. Een database is voor deze functie geoptimaliseerd. Door een normalisatieproces kan het gemakkelijk beheerd worden. 3.2 Data Warehouse Een data warehouse heeft een andere functie en daarom ook een andere structuur. Een data warehouse wordt niet zozeer ingezet bij operationele alswel bij strategische beslissingen. De data is dan ook statisch: het wordt niet constant bijgewerkt. Een data warehouse is als het ware een momentafdruk. Men maakt een kopie van alle data die over een periode beschikbaar is en stopt dit in een grote database. Deze data is veelal ongenormaliseerd, omdat men redundantie voor lief neemt ten gunste van standaardisatie [9]. Deze standaardisatie is nodig omdat het warehouse haar data onttrekt uit alle operationele databases binnen de organisatie. Deze databases hebben vaak enkele verschillende formaten, en bijzonderheden. Het zo modelleren dat alle data in een warehouse logisch opgeslagen kan worden, gaat enigszins ten koste van het vermijden van redundantie. Een andere factor die speelt bij het vullen van een data warehouse is cleaning. In de operationele database ontbreken en mankeren vaak enkele gegevens. Omdat men een data warehouse compleet en correct wil hebben, zal men deze gegevens aan moeten vullen en op moeten schonen. Men kan bijvoorbeeld wanneer de leeftijd van een persoon ontbreekt, hier de gemiddelde leeftijd van de database invullen. Ook zijn er enkele intelligente technieken om dit te doen. 3.3 Data Marts Zo n data warehouse is vaak erg groot waardoor queries behoorlijk wat tijd in beslag kunnen nemen. Dit terwijl veel van de informatie voor bepaalde doeleinden helemaal niet relevant zijn. Daarom splitst men data warehouses op in kleinere data marts. Zo zal er bijvoorbeeld een data mart zijn voor de marketingafdeling. Deze bevat dan bijvoorbeeld klantgegevens, ordergegevens en productgegevens. Deze mart heeft geen behoefte aan de salarissen van de medewerkers, wat eerder in de mart van human resources terug zal komen. 4

5 Zo zijn er dus specifieke data marts voor specifieke doelen. bevatten alleen de gegevens die voor dit doel nuttig zijn. Deze marts 4 Data analyse 4.1 Inleiding In dit hoofdstuk zal, zoals gezegd, de theoretische achtergrond van data analyse gegeven worden. Om dit gestructureerd te doen zal het grote gebied van data analyse onderverdeeld worden in drie groepen: Statistische analyse Data Mining OLAP In de nu volgende paragrafen zullen deze deelgebieden stuk voor stuk behandeld worden. 4.2 Statistische analyse Statistische analyse is voor informatiekundigen weinig interessant, in zoverre dat het in principe geen informatiesystemen vereist. Het is de oudste vorm van data analyse en kan ook met pen en papier gedaan worden. Het feit dat het hier toch besproken wordt heeft twee redenen. Ten eerste is de doelstelling van dit paper een compleet beeld te geven van de data analyse, en hier is de statistische variant zeker een wezenlijk onderdeel van. Anderzijds ligt deze techniek ook ten grondslag voor data mining. Om deze reden gaan we hier wel in op statistische analyse Correlaties Iedereen kent wel de formule om een gemiddelde van een reeks getallen (data) uit te rekenen. Een standaardafwijking is voor veel mensen eveneens weinig hoogstaand, en ook een normale verdeling mag voor een academisch publiek als bekend worden verondersteld. Maar willen we echt gaan analyseren, dan zijn we niet specifiek in één enkele variabele geïnteresseerd. Het liefste zouden we dan verbanden tussen allerlei variabelen zien, waar we dan leuke conclusies aan zouden kunnen verbinden. Samenhang tussen gegevens is iets waar veel mensen in geïnteresseerd zijn. 5

6 Zo n samenhang heet correlatie. Deze kan zowel positief als negatief zijn. Zo zal het verband tussen het aantal verkopen in een bepaalde periode en de winst in die periode waarschijnlijk positief gecorreleerd zijn. Stijgt de omzet dan zal normaal gesproken de winst stijgen, daalt de omzet dan zal de winst dalen. Een voorbeeld van een negatieve correlatie is bijvoorbeeld de relatie tussen de kwaliteit van een systeem en het aantal klachten over dit systeem. Wanneer de ene stijgt zal de andere dalen. De termen positief en negatief slaan dus niet op de beleving van het resultaat (ïk vind dit leuk, dus is het een positieve correlatie ), maar op het feit of een stijging van de ene variabele nu een stijging of een daling van de andere variabele tot gevolg heeft. Behalve een positieve of negatieve correlatie is er ook een derde uitkomst mogelijk: variabelen kunnen ook onafhankelijk zijn. McClave e.a. [6] geeft een formule voor de Pearson product moment coefficient of correlation, simpelweg de correlatie-coëfficient: r = SS xy SSxx SS yy (1) r := correlatie-coëfficient SS := sum of squares, het exponent Deze coëfficient zal ergens tussen -1 (perfecte negatieve correlatie) en 1 (perfecte positieve correlatie) liggen. Bij een waarde van 0 zijn de variabelen onafhankelijk Regressie Een andere vorm van statistische analyse is regressie analyse. Bij deze techniek gaat het niet alleen om het vinden van verbanden, maar gaat men nog verder. Door middel van de met correlatie gevonden verbanden probeert men voorspellingen te maken. In principe komt regressie neer op het op het combineren van meerdere correlaties. Men doet dit in een functie waarbij de te voorspellen variabele de y is. De andere variabelen zijn x 1 tot en met x n. Men krijgt dan een functie als de volgende: y := de te voorspellen variabele C n := de correlatiecoëfficient van y en C n x n := de waarde van variabele x n y = C 1 x C n x n + E (2) 6

7 E := een restwaarde Natuurlijk kan een variabele ook een negatieve invloed hebben op y: een negatieve correlatie. Ook E kan negatief zijn. Natuurlijk zijn er applicaties die het werken met statistische functies (waaronder correlaties en regressie) ondersteunen. Voorbeelden hiervan zijn Microsoft Excel, SPSS, Quick Statistica, Systat en Statgraphics. 4.3 Data Mining Ook bij data mining zoekt men naar correlaties. Het grote verschil met statistische analyse is dat men daar vooraf moest kijken welke variabelen wel eens een correlatie zouden kunnen hebben. Deze ging men dan uitrekenen. Men had dus vooraf een hypothese nodig. Bij data mining echter, voert men een complete dataset in de computer in. Men laat de computer nu het werk doen en kijken welke variabelen sterk gecorreleerd zijn. Op deze wijze vind men ook correlaties waar men vooraf misschien helemaal niet aan gedacht had. Hoeksema [3] geeft de volgende definitie van data mining: Het proces van de analyse en verkenning van grote hoeveelheden gegevens, om daar betekenisvolle patronen in te ontdekken. Er zijn verschillende data mining technieken die nu besproken zullen worden Neurale netwerken Veel problemen kunnen gestructureerd worden opgelost met behulp van algoritmes. Er zijn echter ook ongestructureerde problemen (zoals pattern-recognition), waar geen algoritme voor aanwezig is. Dit soort problemen kunnen worden opgelost met behulp van neurale netwerken. Hierbij wordt gebruik gemaakt van patronen die over tijd door training zijn verkregen. Door het opmerken en combineren van bepaalde patronen kunnen er bepaalde conclusies worden getrokken. Neurale netwerken worden getraind op een set van voorbeelden in de hoop dat het neurale netwerk in de toekomst soortgelijke gevallen kan oplossen. Hierbij wordt dus geen algoritme gevolgd, noch zijn de stappen gedefinieerd. Neurale netwerken vinden hun oorsprong in het menselijke brein waar miljarden neuronen met elkaar op een hele complexe manier parallel samenwerken. De opbouw dient als model voor neurale netwerken. Neuronen in een neuraal netwerk hebben kunnen op verschillende niveaus werken. Als eerste is er de input layer. De neurons op deze layer komen overeen 7

8 met het aantal input variabelen dat het probleem heeft. Daarnaast zijn er nul of meer hidden layers die ook neuronen kunnen bevatten. Deze twee layers bepalen de uitkomst van de output layer (de resultaten). Elke neuron van elke layer is verbonden met alle neuronen van de vorige en volgende layer. Verbonden Neuronen geven pas informatie door aan andere layers als de som van de inputs van andere neuronen boven een bepaalde grenswaarde uitkomt. Een simpel model van een neuron is volgende formule: N O = H( w i + µ) (3) l=1 O := output van de neuron w i := gewicht van de connecties l := de inputs µ := grenswaarde H := Heavyside functie: H(x) = ( 1,ifx 0 0,ifx<0 ) De neuron vuurt als de som van de inputs groter is dan µ. De gewichten komen tot stand tijdens het leerproces van het neurale netwerk. Het neurale netwerk is dus uitermate geschikt voor ongestructureerde problemen. Het is echter een black box en resultaten kunnen niet getraceerd worden (waarom heeft een gewicht een bepaalde waarde?) Beslissingsbomen Bij deze techniek wordt een boom opgesteld waarlangs men aan de hand van vragen kan afdalen. De eerste verzameling ( root ) bevat alle gevallen waar de boom op gebaseerd is. Aan de hand van de eerste vraag wordt deze verzameling opgesplitst in twee of meer nieuwe verzamelingen. Wanneer men de hele boom volgens een bepaald route doorlopen heeft komt men uiteindelijk terecht in een zuivere verzameling : een verzameling waarvan de gevallen allemaal dezelfde einduitkomst hebben. Aangezien het geval waarvan we de einduitkomst wilden voorspellen dezelfde kenmerken heeft als de andere in deze verzameling (de vragen zijn immers hetzelfde beantwoord) kan voorspeld worden dat dit geval ook deze einduitkomst zal hebben Clusteren Clusteren is een techniek die het totaal aan elementen (bijvoorbeeld gebeurtenissen) in deelt in een aantal categoriëen. Nu kan men ervan uit gaan dat de elementen in deze categoriëen zich min of meer gelijk gedragen. 8

9 Om elementen te clusteren dient men deze uit te zetten in een assenstelsel. Men kiest nu een aantal willekeurige plaatsen binnen dit stelsel, net zo veel als men categoriëen wenst te hebben. Nu wordt er van ieder element gekeken bij welke plaats deze het dichtste in de buurt ligt. Wanneer alle elementen nu zo gegroepeerd zijn, gaat men de middelpunten van de groepen berekenen. Men neemt deze middelpunten als nieuwe plaatsen, en herhaalt dit proces. Wanneer de middelpunten niet meer veranderen is het clusteren geslaagd Market basket analyse Market basket analyse is een basis voor cross-selling. Het idee is dat men onderzoekt welke producten vaak samen verkocht worden. Het bekendste voorbeeld hiervan is Amazon.com, waar de klant voor ieder product zo n lijst op kan vragen ( People who bought this item, also bought these items... ). De bedoeling hiervan is de consument ideëen op maat aan te reiken voor andere aankopen. Hoe gaat zoiets nu in zijn werk? Welnu, eerst dient er een miltidimensionale matrix opgesteld te worden met daarin de producten die vaak gecombineerd verkocht worden. Uit deze matrix worden regels afgeleid die vaak voor komen. Een voorbeeld hiervan is: ALS CD van Pink Floyd EN CD van Marillion DAN CD van Porcupine Tree Wanneer de verkoper deze regel kent en er komt een klant die CD s van Pink Floyd en Marillion koopt, dan kan de verkoper hem ook eens een CD van Porcupine Tree suggereren. Natuurlijk dient de verkoper ook te weten of deze regel vaak op gaat of niet. Vandaar dat er ook een ondersteuningspercentage en een betrouwbaarheidspercentage berekend worden: ondersteuning = transacties met de betreffendeproducten alle transacties transacties aan regel voldaan betrouwbaarheid = (5) transacties aan voorwaarden voldaan Bij de eerste regel deel je het aantal transacties met de betreffende producten door het totaal aantal transacties. Zo kan men kijken of de regel wel vaak (4) 9

10 genoeg bruikbaar is. Misschien is er bijna niemand meer die überhaupt nog CD s van Pink Floyd koopt. De tweede regel kijkt naar de betrouwbaarheid. Men deelt het aantal transacties dat aan de hele regel voldoet door het aantal transacties dat op z n minst aan de voorwaarden (het gedeelte van de regel voor DAN ) voldoet. Deze analyse is natuurlijk vooral voor winkels interessant. Het probleem is alleen dat er wel een enorme administratie dient te worden bijgehouden over de verkochte producten. Veel supermarkten hebben dit opgelost door middel van een gepersonaliseerde kaart, zoals de BonusKaart en de Edah Card. 4.4 OLAP OLAP, oftewel On-Line Analytical Processing, bekijkt de zaak weer vanuit een hele andere kant. OLAP stelt analisten, managers en uitvoerenden in staat inzicht in data te krijgen, door middel van snelle, consistente en interactieve toegang tot een verscheidenheid aan mogelijke gezichtspunten op data. OLAP transformeert rauwe data zo dat het de echte dimensie van de organisatie laat zien, zoals de gebruiker dat kent. - [12] Met andere woorden, met OLAP krijgt de gebruiker toegang tot een figuur die de data representeert. De gebruiker kan deze figuur à la minute aanpassen zodat het een beter beeld geeft. OLAP gaat uit van een serie dimensies. Een van die dimensies is bijvoorbeeld de klant. Deze klant heeft bijvoorbeeld een adres en een leeftijd. Wanneer men meerdere van deze dimensies heeft kan men ze aan elkaar koppelen door middel van een gebeurtenis of een feit. Zo zal een gebeurtenis als een verkoop de dimensies klant, verkoper, tijd en product verbinden. Naast dimensietabellen heeft men nu dus ook een facts table, met daarin alleen de sleutels ( primary keys ) van de dimensies die bij deze gebeurtenis horen. Nu kan gesteld worden dat deze facts table uitstekend genormaliseerd is. De dimensies daarentegen zijn helemaal niet genormaliseerd. Zo staat bijvoorbeeld bij de verkoper-dimensie bij iedere vestiging ook het land in de tabel. Dit zou volgens de normalisatie-regels een nieuwe tabel op moeten leveren met vestigingen en bijbehorende regels. Bij OLAP is dit echter bewust redundant gehouden. De gebruiker kan nu een figuur krijgen waarin de data is gerepresenteerd. Dit kan een driedimensionale kubus zijn, maar ook bijvoorbeeld een grafiek of een 10

11 tabel. Het grote voordeel is dat deze figuren dynamisch zijn. Ziet de gebruiker bijvoorbeeld dat er in het derde kwartaal in Engeland opvallend weinig gekocht is, dan kan deze de figuur uitsplitsen zodat de verkopen in dat kwartaal per vestiging te zien zijn. En daarna kan het per vestiging weer uitgesplitst worden naar verkoper. OLAP is dus een zeer krachtig hulpmiddel, maar de analyse wordt wel door de gebruiker gedaan. En niet zoals bijvoorbeeld bij neurale netwerken door de machine. 4.5 Software pakketten Natuurlijk bestaan er allerlei applicaties om het werken met data analyse te ondersteunen. Voor statistische analyse bestaan er specialistische pakketten als SPSS, Quick Statistica, Systat en Statgraphics. Ook de andere technieken hebben natuurlijk hun gereedschappen. Zo zijn er voor OLAP twee marktleiders: Essbase van het bedrijf Hyperion (voorheen ArborSoft) Express Server van Oracle Essbase heeft op de site geen prijs vermeld staan. Express Server is onderdeel van de Oracle Enterprise Edition, waarvan een licentie voor één gebruiker $ kost. Zo n bedrag is voor een kleine winkel natuurlijk niet betaalbaar. Vandaar dat in dit paper gekeken zal worden hoe het MKB deze tools kan evenaren. Maar eerst wordt besproken hoe het CBS nu eigenlijk te werk gaat. Gebruiken zij wel deze dure applicaties? 5 Data analyse bij het CBS Het Centraal Bureau voor de Statistiek, met hoofdkantoren in Den Haag en Heerlen, is een organisatie die data analyse als core-business heeft. Het CBS is daarom een interessante instelling om te bezoeken en om te kijken hoe men daar omgaat met data analyse op een professionele manier. Er is op vrijdag 30 november 2001 een interview gevoerd met de heer M. Vucsan en de heer Dr. J. Kardaun beiden van de afdeling TMO (Methoden en ontwikkeling) van het CBS over opslag methodes en data-mining technieken bij het CBS. Beide houden zich bezig met de ontwikkeling van nieuwe methoden en met strategische projecten. Als eerste zal de data-opslag binnen het CBS aan de orde komen. Het CBS beheert en verwerkt enkele Tera Bytes aan gegevens. Door de steeds verdere 11

12 Figuur 1: Kantoor CBS Den Haag ontwikkelingen op het gebied van data opslag is het tegenwoordig mogelijk alle gegevens die het CBS beheert worden in principe op te slaan op gewone hard disks die ook de consument kan kopen. De ontwikkelingen op data-opslag gebied gaan sneller dan dat de data die het CBS verzamelt groeit. Als data binnenkomt bij het CBS zal er eerst technische en inhoudelijke cleaning op worden toegepast. Met technische cleaning wordt bedoeld dat programmatuur de consistentie van data checked. Hierbij controleert de programmatuur of van de ingevoerde data bijvoorbeeld het domein juist is (staan in alle rijen bij de leeftijd integers). Daarnaast is er inhoudelijke cleaning die door experts uitgevoerd waarbij bijvoorbeeld lege elementen aangevuld worden (bijvoorbeeld als iemand geen geboortedatum aangeeft, maar alleen een jaartal). Data editors moeten kennis hebben van de dataset om de data zo goed mogelijk inhoudelijk te kunnen checken. Na de cleaning kan de data worden opgeslagen in een data warehouse. Enkele jaren geleden is het CBS gestart, vanuit de TMO afdeling, met het opzetten van data warehouses (op gewone pc s, draaiende met Microsoft SQL Server) in pilot-projects, volgens het bovenstaand principe met fact- en dimensie tabellen, voor bepaalde statistische publicaties. Deze vervingen de platte files 12

13 Key Dag Maand Jaar Week Kwartaal Tabel 1: Datum Tabel Key Straat Nummer Postcode Stad Provincie Statenlaan RW Tilburg Noord-Brabant Statenlaan RW Tilburg Noord-Brabant Tabel 2: Adres Tabel en standaard Oracle databases die tot dan gebruikt werden. Als voorbeeld van dimensie tabellen binnen het CBS kan gedacht worden aan een datum tabel, een adressen tabel die in principe volkomen niet genormaliseerd zijn (zie Tabel 1 en Tabel 2). Met behulp van deze tabellen is het mogelijk om dan een feit (genormaliseerd weer te geven), bijvoorbeeld het aantal inwoners boven de achttien jaar op een bepaalde datum op een bepaald adres (zie Tabel 3). Met deze gegevens kan nu aan statistische analyse of OLAP worden gedaan. Bij het CBS wordt Excel 2000 als OLAP tool gebruikt waarmee het eenvoudig is om statistische analyse en visualisatie op deze grote berg gegevens uit te voeren. Het CBS gebruikt dus geen meerdere miljoen gulden dure speciale analytische OLAP software maar gewoon Excel om het lage statistiek werk te verrichten en standaard rapporten te genereren. Voor verregaande analyse worden nog wel speciale statistische pakketten gebruikt (SPSS), maar in principe zou dit ook met Excel kunnen. Door het eenvoudige gebruik van Excel 2000 en de mogelijkheden voor het CBS was het niet moeilijk om andere afdelingen te overtuigen en zodoende zal het CBS in de komende jaren volledig overgaan op het gebruik van data warehouses en OLAP tools (Excel 2000) voor de statistische analyse. Een nadeel Adres Datum Aantal Tabel 3: Feiten Tabel 13

14 van deze oplossing is dat het moeilijk is om meta data (wat is de context, wie heeft het gecleaned, waar komt het vandaan, etc.) van de gegevens op te slaan in het data warehouse. Het CBS probeert dit op te vangen door aan elke tabel een verwijzing te hangen naar een html pagina waar dit soort gegevens gestructureerd op staan. Data mining bij het CBS is een discutabel punt. Het verschilt totaal van statistische analyse zoals eerder is gezien. Bij de statistische analyse wil men een correlatie tussen variabelen te weten komen, bij data mining vraagt men gewoon aan de computer om met interessante correlaties op de proppen te komen. Het probleem met data mining binnen het CBS is dan ook dat men tot op heden niet zeker kan zijn of de gevonden resultaten reproduceerbaar zijn in andere gevallen met bijvoorbeeld andere datasets over hetzelfde probleem. Eenmalig iets bepalen is geen statistiek! Het kan wel gebruikt worden om bepaalde suggesties uit de data zelf te halen en deze dan statistisch analyseren. Deze reproduceerbaarheid is echter niet van zo groot belang in het bedrijfsleven, waar men vooral nieuwe informatie wil hebben. Data mining wordt daarom vaak koud toegepast (door het menselijke brein; koude neurale netwerken). Vooral tijdens de verkennende fase, voor de data cleaning, is het van belang dat de data inhoudelijk voldoet (is het juiste data in een bepaalde context) en dat kan geen enkele data mining programma tot op heden oplossen (Dit speelt zich immers af op meta niveau). Tijdens het technische cleansing kan echter wel data mining worden toegepast om ontbrekende data en vuiligheid te minen. Men zou ook interessante verbanden kunnen laten vinden, echter is dit riskant, omdat data mining niet universeel is. Dit hangt af van de data zelf, de gebruikte algoritmes en de context. Data mining binnen het CBS vindt op dit moment vooral plaats in de research sfeer. Data mining voldoet nog niet aan de eis dat bij elke stap tijdens het maken van statistiek een antwoord gegeven kan worden op de vraag wat men aan het doen is. Analyses moeten dus reproduceerbaar en uitlegbaar zijn, met data mining kan hieraan nog niet voldaan worden. 6 Data analyse met HTK tools Aangezien het CBS gebruik maakt van Excel 2000, zou men zich kunnen afvragen of het MKB, die veelal deze tool ook bezitten (en soms gebruiken) niet ook op een eenvoudige manier OLAP zouden kunnen toepassen. Wij beschouwen dit als HTK (huis, tuin en keuken) tools, omdat deze in vergelijking met professionele OLAP pakketten veel goedkoper zijn. Hieronder zal dan ook een praktijkvoorbeeld getoond worden waarbij met behulp van MS Office 2000 (MS 14

15 Access 2000, MS Query 2000 en MS Excel 2000) data analyse zal worden uitgevoerd. Als database in Access is gekozen voor de voorbeeld database Noordenwind. Dit is een bedrijf-database met ongeveer in totaal 2000 records. Deze records bevatten onder andere verkoop gegevens, producten, medewerkers en leveranciers. Met behulp van MS Query kan hieruit nu een data kubus gegenereerd worden. Eerst dient men daarbij de velden te selecteren die men later wil gebruiken binnen de kubus. Daarna selecteert men de velden die men wil aggregeren (de facts). Dit kan de som, het gemiddelde, of bijvoorbeeld de standaarddeviatie zijn. Daarna kunnen de dimensies en aggregatie niveaus geselecteerd worden. Als men hiermee klaar is kan men de kubus genereren. Nu kan men binnen MS Excel een query uitvoeren om de gegevens van de kubus binnen te halen. Nu kunnen deze gegevens in een pivot-tabel (ook wel draaitabel genoemd) interactief bewerkt en bekeken worden. Daarnaast is het mogelijk om statistische analyse toe te passen en grafische overzichten te maken. Dit is dan de OLAP component: interact, analyseer en leer. Een draaitabel rapport is een interactieve tabel waarmee snel grote hoeveelheden gegevens kunnen worden samengevat. Zo een draaitabel rapport wordt gebruikt als verwante totalen vergeleken moeten worden, met name als er sprake is van een lange lijst getallen die moeten worden samengevat en waarin dan voor elk getal verschillende feiten vergeleken moeten worden. Met draaitabel rapporten wordt het sorteren en het berekenen van subtotalen en totalen uitgevoerd in Microsoft Excel. In het hart van de draaitabel komen de geaggregeerde facts en langs de assen is het mogelijk een of meer dimensies naartoe te slepen. Een simpel voorbeeld is te zien in figuur 2. Hier is een overzicht van de omzet per kantoor per tijdsperiode te zien. In figuur 3 is een iets uitgebreider voorbeeld te zien. Er is in een oog opslag te zien dat nu zuivel producten voor Franse klanten afkomstig van Europese leveranciers vooral via de verkoop kantoren in de VS verkocht worden. De vraag hierbij natuurlijk is of dit wel zo zinvol is en of niet de vestiging in Londen meer van dit soort opdrachten moet overnemen. Daarvoor zou je dan de kosten van London en de Amerikaanse verkoopkantoren naast elkaar moeten zetten. De vraag voor de volgende hoofdstuk is dan natuurlijk of het MKB berhaupt wel geïteresseerd is in dit soort tools en data mining applicaties. 15

16 Figuur 2: Omzet per verkoop kantoor Figuur 3: Uitgebreid voorbeeld OLAP 16

17 Figuur 4: Tommy winkel in Tilburg 7 Draagvlak voor data analyse bij het MKB Om het draagvlak van de zojuist beschreven HTK tools voor data analyse bij het MKB na te gaan is een cd winkel (Tommy) in de binnenstad van Tilburg bezocht. De winkel bestaat ook uit een stripboeken winkel en een 2e hands kledingzaak in hetzelfde pand, maar voor dit paper is alleen naar de cd winkel gekeken. Deze winkel is een eenmanszaak en maakt geen deel uit van een keten. In deze winkel worden vooral niet mainstream cd s (rock, jazz, blues) verkocht. Door middel van een interview met de eigenaar, die al jarenlang deze zaak samen met meerdere medewerkers runt, is getracht een antwoord te vinden op de vraag of data analyse iets voor het MKB zou kunnen toevoegen aan de normale bedrijfsvoering. Er is gekozen voor een cd winkel, omdat een cd winkel tastbare, goed aan te wijzen producten verkoopt die duidelijk te classificeren (muziek-genre) zijn en meestal per twee of meer verkocht worden (tenminste in deze winkel), waarop dan market basket analyse kan worden toegepast. Automatisering is er binnen Tommy vooral op administratief niveau met be- 17

18 hulp van spreadsheets en boekhoudprogramma s. Verder is er weinig automatisering aanwezig. Verkopen worden niet elektronisch geregistreerd. Verder wordt er niets met de data gedaan. Vanwege het grote aantal leveranciers is en het grote aantal verschillende producten met kleine hoeveelheden is het volgens de eigenaar te duur om de verkoop helemaal te automatiseren. Door te kijken naar een cd winkel is het mogelijk om een vergelijk te maken tussen bijvoorbeeld Amazon.com en deze MKB winkel. Bij Amazon.com wordt gewerkt met een zogenaamde advieslijst. Bij het bezoeken van de site en het zoeken naar bepaalde muziek (en boeken) wordt er door Amazon door middel van data analyse (market basket analyse) gekeken welke andere producten misschien interessant zijn en deze worden de gebruiker dan ook getoond (door gebruik te maken van verkoopcijfers). De vraag hierbij is dan ook of iets soortgelijks interessant is voor de MKB er om zo een additionele service aan de klanten te geven. Volgens de eigenaar komt dit soort adviezen aan de klant redelijk vaak voor, maar wordt dat gedaan door de medewerkers (die ieder speciale vakkennis van een bepaalde muziek richting hebben) in plaats van door computers. Het is dan ook puur subjectief. Daarvoor moet de verkoper de juiste kennis van de klant hebben. Aangezien een groot gedeelte van de klanten regelmatig iets koopt bij Tommy kunnen verkopers goed op de wensen van de klant inspelen. De eigenaar ziet dan ook niet zo veel heil in het toepassen van data analyse binnen zijn cd winkel. Daarbij werd er een lijst van mogelijke interessante andere cd s bij een zoek-query op Amazon.com getoond aan de eigenaar. Deze lijst gaf aan dat personen die Pink Floyd gekocht hebben vaak ook cd s van Madonna en Sting kopen. Volgens de eigenaar, met jarenlange muziek ervaring, was deze lijst op zijn zachts uitgedrukt slecht. Aangezien hij uit de dagelijkse praktijk weet dat deze groepen qua muziek totaal van elkaar verschillen en dat in zijn winkel deze combinatie van cd s niet verkocht wordt. Tevens vragen de klanten ook niet naar deze combinatie. Een klantenkaart is volgens de eigenaar ook geen optie. Mensen komen vanwege de sfeer en het persoonlijke contact naar zijn winkel en een klantenkaart is volgens hem te onpersoonlijk. Samenvattend kan de vraag naar het draagvlak van data analyse bij het MKB negatief beantwoord worden. Al is er door ons geen empirisch onderzoek gedaan, maar wij denken dat vooral de KB automatisering zien als iets wat moet, maar verder weinig voordeel oplevert. Voor MB (startend bij bijvoorbeeld filialen, franchises, etc.) zal het misschien interessant zijn, maar daar is door ons geen onderzoek naar gedaan. Data analyse voor de zaak op de hoek is mogelijk, alleen wil men het nog niet. Verder is het zo dat veel kleine ondernemers veel op gevoel doen en hun ideeën gewoon uitproberen. Het is nu nog te moeizaam 18

19 om naast de normale bedrijfsvoering nog allerlei analyses te gaan uitvoeren. Wij denken echter dat dit een deel van het werk zal worden in de toekomst al is het nu al vrij eenvoudig om OLAP toe te passen. 8 Conclusie Vooraf hadden de auteurs de verwachting dat het CBS van zeer dure en geavanceerde applicaties gebruik zou maken. Onze vraag was dus in hoeverre het MKB dit kon evenaren met simpelere tools. Deze vraag kan simpelweg beantwoord worden met de stelling dat Microsoft Office veel biedt met betrekking tot data analyse. Het is een complete oplossing, die de noodzaak voor die dure tools overbodig lijkt te maken. Er zijn echter ook twee onverwachte resultaten uit dit onderzoek komen rollen. Ten eerste, MS Office blijkt zo compleet dat zelfs het CBS hier gebruik van maakt. Dit is dus uitstekende bevestiging voor de conclusie. Het MKB zou totaal geen nadeel hebben en dus naar alle hartelust mee kunnen doen. Echter, een ander resultaat is het gebrek aan draagvlak. Hoewel het enkele interview natuurlijk nooit wetenschappelijk representatief kan zijn, lijkt het wel een logische conclusie. Immers, het MKB heeft nog zicht op haar data; zij verkopen nog steeds op dezelfde manier als ze honderd jaar geleden ook deden. En waarom zouden ze veranderen, als ze zo alles nog prima kunnen bevatten? Het MKB hoeft zich dus duidelijk geen Calimero te voelen. Zij zouden eerder kunnen zeggen: Zij zijn groot en wij zijn klein. Maar we hebben de zelfde capaciteiten, en bovendien hebben wij die capaciteiten niet eens nodig. 19

20 Referenties [1] A. Buijs, Analyseren van klantgegevens, Mnet, januari 2001 [2] Prof.Dr.Ir. H. Daniels, Introduction to Neural Networks, Dictaat Departement BIK, januari 2000 [3] E. Hoeksema, Datamining klaar voor de massa?, Technieuws, september 1999 [4] K. Laudon, J. Laudon, Management Information Systems, Fifth international edition, Prentice Hall, 1998 [5] T. van Maanen, Datamining - a note from a professional, [6] McClave, Benson, Sincich, Statistics for business and economics, International edition, Prentice Hall, 1998 [7] Microsoft Office - Microsoft Office Home Page [8] A. de Smits, De macht van het getal: statistiek, PC Magazine, april 1996 [9] M. Vucsan, The application of data warehouse techniques in a statistical environment, Seminar on integrated statistical information systems and related matters, Riga May 2000 [10] M. Vucsan, Just in time processing as one of the requirements for input data in warehouses, Joint ECE/Eurostat Meeting on the Management of Statistical Information Technology, Geneva, February 2001 [11] Witten, Frank, Data mining, Morgan Kaufmann publishers, 2001 [12] The OLAP council, 20

Business Intelligence www.globalservices.be www.sap-training.be

Business Intelligence www.globalservices.be www.sap-training.be Business Intelligence www.globalservices.be www.sap-training.be Global Services + Business Intelligence = perfect match! Het concept Wenst u ook sneller inzicht in beleidsinformatie, rapportering en cijfers?

Nadere informatie

Self Service BI. de business

Self Service BI. de business BI in de praktijk Self Service BI Breng de kracht van BI naar de business Luc Alix Sogeti Nederland B.V. Redenen voor Business Intelligence Sneller kunnen beslissen 42 % Beter kunnen beslissen 42 % Concurrentieel

Nadere informatie

Business Intelligence. Toepassing BI Database en Datawarehouse BI proces BI Organisatie Implementatie BI

Business Intelligence. Toepassing BI Database en Datawarehouse BI proces BI Organisatie Implementatie BI Business Intelligence Toepassing BI Database en Datawarehouse BI proces BI Organisatie Implementatie BI Toepassing BI (Operationele) sturing Financieel (BBSC) Performance NIET voor ondersteuning proces

Nadere informatie

Inhoud. Wat is Power BI?... 3. Voorbeelden gemaakt met Power BI... 4. Beginnen met Power BI... 6. Werkruimte uitleg... 7

Inhoud. Wat is Power BI?... 3. Voorbeelden gemaakt met Power BI... 4. Beginnen met Power BI... 6. Werkruimte uitleg... 7 Inhoud Wat is Power BI?... 3 Voorbeelden gemaakt met Power BI... 4 Beginnen met Power BI... 6 Werkruimte uitleg... 7 Naar een dashboard in 3 stappen... 8 Stap 1: Gegevens ophalen... 8 Stap 2: Rapport maken...

Nadere informatie

Draaitabellen. Nodige bestanden: BESTELLINGEN BELGIE.WDB DRAAITABELLEN SAMENVOEGEN.XLS DRAAITABELLEN SAMENVOEGEN RESULTAAT.XLS BESTELLINGEN BELGIE.

Draaitabellen. Nodige bestanden: BESTELLINGEN BELGIE.WDB DRAAITABELLEN SAMENVOEGEN.XLS DRAAITABELLEN SAMENVOEGEN RESULTAAT.XLS BESTELLINGEN BELGIE. Oefening Excel HERWWWIG@WEB.DE Draaitabellen Trefwoorden: Draaitabellen, draaitabelrapport, berekende velden, MS Query, SQL, Nodige bestanden: BESTELLINGEN BELGIE.WDB DRAAITABELLEN SAMENVOEGEN.XLS DRAAITABELLEN

Nadere informatie

Domein A: Vaardigheden

Domein A: Vaardigheden Examenprogramma Wiskunde A havo Het eindexamen bestaat uit het centraal examen en het schoolexamen. Het examenprogramma bestaat uit de volgende domeinen: Domein A Vaardigheden Domein B Algebra en tellen

Nadere informatie

Big Data: wat is het en waarom is het belangrijk?

Big Data: wat is het en waarom is het belangrijk? Big Data: wat is het en waarom is het belangrijk? 01000111101001110111001100110110011001 Hoeveelheid 10x Toename van de hoeveelheid data elke vijf jaar Big Data Snelheid 4.3 Aantal verbonden apparaten

Nadere informatie

INHOUD. Presentatie ICT werkervaring (voornamelijk) Gericht op databasetoepassingen. Sprekers. Allard van Amerongen Ing. Stefan Boekel 05-02-2008

INHOUD. Presentatie ICT werkervaring (voornamelijk) Gericht op databasetoepassingen. Sprekers. Allard van Amerongen Ing. Stefan Boekel 05-02-2008 INHOUD Presentatie ICT werkervaring (voornamelijk) Gericht op databasetoepassingen Sprekers Datum : : Allard van Amerongen Ing. Stefan Boekel 05-02-2008 INTRODUCTIE WIE BEN IK? Verleden/heden WAT DOE IK?

Nadere informatie

Hoofdstuk 26: Modelleren in Excel

Hoofdstuk 26: Modelleren in Excel Hoofdstuk 26: Modelleren in Excel 26.0 Inleiding In dit hoofdstuk leer je een aantal technieken die je kunnen helpen bij het voorbereiden van bedrijfsmodellen in Excel (zie hoofdstuk 25 voor wat bedoeld

Nadere informatie

ibridge/andk the analyst s connection

ibridge/andk the analyst s connection ibridge/andk the analyst s connection ibridge / ANDK Uiteraard weet ú als criminaliteitsanalist als geen ander dat u met behulp van de Analyst s Notebook software analyseschema s handmatig kunt opbouwen

Nadere informatie

Technische nota AbiFire5 Rapporten maken via ODBC

Technische nota AbiFire5 Rapporten maken via ODBC Technische nota AbiFire5 Rapporten maken via ODBC Laatste revisie: 29 juli 2009 Inhoudsopgave Inleiding... 2 1 Installatie ODBC driver... 2 2 Systeeminstellingen in AbiFire5... 3 2.1 Aanmaken extern profiel...

Nadere informatie

Datamining: Graven in gegevens

Datamining: Graven in gegevens Datamining: Graven in gegevens Business Intelligence in de praktijk Jasper Lansink CMG Noord Nederland - Advanced Technology Agenda Business Intelligence Datamining theorie Datamining in de praktijk management

Nadere informatie

Installatiehandleiding. Installatiehandleiding voor de ODBC-driver

Installatiehandleiding. Installatiehandleiding voor de ODBC-driver Installatiehandleiding Installatiehandleiding voor de ODBC-driver van UNIT4 Multivers (Accounting) Online 8.1 Copyright 2013 UNIT4 Software B.V., Sliedrecht, The Netherlands Alle rechten voorbehouden.

Nadere informatie

BIG DATA. 4 vragen over Big Data

BIG DATA. 4 vragen over Big Data 4 vragen over Big Data Dit ebook geeft in het kort antwoorden op 4 vragen omtrent Big Data. BIG DATA Wat is Big Data? Hoe zet ik een Big Data Strategie op? Wat is het verschil tussen Big Data en BI? Wat

Nadere informatie

Oplossingen Datamining 2II15 Juni 2008

Oplossingen Datamining 2II15 Juni 2008 Oplossingen Datamining II1 Juni 008 1. (Associatieregels) (a) Zijn de volgende beweringen juist of fout? Geef een korte verklaring voor alle juiste beweringen en een tegenvoorbeeld voor alle foute be-weringen:

Nadere informatie

Ontdek de mogelijkheden

Ontdek de mogelijkheden Business Intelligence Ontdek de mogelijkheden Drs.Roel Haverland An apple a day.. Page 3 Hoe vertaalt dit zich naar u? Page 5 Hoe vertaalt dit zich naar u? Winst Page 6 Hoe de winst te verhogen? Winst

Nadere informatie

Office 2010 en SharePoint 2010: bedrijfsproductiviteit op zijn best. Praktische informatie

Office 2010 en SharePoint 2010: bedrijfsproductiviteit op zijn best. Praktische informatie Office 2010 en SharePoint 2010: bedrijfsproductiviteit op zijn best Praktische informatie De informatie in dit document vertegenwoordigt de huidige visie van Microsoft Corporation op zaken die ten tijde

Nadere informatie

Dit is een onderdeel waarin veel functionaliteit is toegevoegd aan de 2010 versie (zie paragraaf 22.6).

Dit is een onderdeel waarin veel functionaliteit is toegevoegd aan de 2010 versie (zie paragraaf 22.6). Hoofdstuk 22: Draaitabellen * 2010 22.0 Inleiding Dit hoofdstuk had ook snel gegevens samenvatten genoemd kunnen worden. Excel biedt een heel degelijk hulpmiddel om met tabellen gegevens samen te vatten

Nadere informatie

MA!N Rapportages en Analyses

MA!N Rapportages en Analyses MA!N Rapportages en Analyses Auteur Versie CE-iT 1.2 Inhoud 1 Inleiding... 3 2 Microsoft Excel Pivot analyses... 4 2.1 Verbinding met database... 4 2.2 Data analyseren... 5 2.3 Analyses verversen... 6

Nadere informatie

Les 10 : Aanmaken van een database (deel2).

Les 10 : Aanmaken van een database (deel2). Les 10 : Aanmaken van een database (deel2). Wat is een database? Een centrale opslagruimte voor gegevens. Alle informatie wordt centraal opgeslagen en kan door iedereen geraadpleegd worden. Voordelen van

Nadere informatie

E-resultaat aanpak. Meer aanvragen en verkopen door uw online klant centraal te stellen

E-resultaat aanpak. Meer aanvragen en verkopen door uw online klant centraal te stellen E-resultaat aanpak Meer aanvragen en verkopen door uw online klant centraal te stellen 2010 ContentForces Niets uit deze uitgave mag worden verveelvoudigd en/of openbaar gemaakt door middel van druk, fotokopie,

Nadere informatie

4orange Connect. 4orange, 2015. Hogehilweg 24 1101 CD Amsterdam Zuidoost www.4orange.nl

4orange Connect. 4orange, 2015. Hogehilweg 24 1101 CD Amsterdam Zuidoost www.4orange.nl 4orange Connect 4orange, 2015 Hogehilweg 24 1101 CD Amsterdam Zuidoost www.4orange.nl 2 Inhoud Inhoud... 2 1. Achtergrond... 3 2) Browsen... 4 3) Scheduler... 4 4) Frequenties en kruistabellen... 4 5)

Nadere informatie

www.dubbelklik.nu Handleiding Access 2010

www.dubbelklik.nu Handleiding Access 2010 www.dubbelklik.nu Handleiding Access 2010 Deze handleiding is onderdeel van Dubbelklik, een lesmethode Technologie, ICT/ Loopbaanoriëntatie en Intersectoraal Alle rechten voorbehouden. Niets uit deze uitgave

Nadere informatie

Onderneming en omgeving - Economisch gereedschap

Onderneming en omgeving - Economisch gereedschap Onderneming en omgeving - Economisch gereedschap 1 Rekenen met procenten, basispunten en procentpunten... 1 2 Werken met indexcijfers... 3 3 Grafieken maken en lezen... 5 4a Tweedegraads functie: de parabool...

Nadere informatie

Les S-01: De basisbeginselen van SQL

Les S-01: De basisbeginselen van SQL Les S-01: De basisbeginselen van SQL 1.0 Relationele databases en SQL Een database is een bestand waarin gegevens worden opgeslagen in de vorm van tabellen. Zo kan een huisarts met behulp van een database

Nadere informatie

Begrippenlijst Inzicht in de wereld van big data, marketing en analyse

Begrippenlijst Inzicht in de wereld van big data, marketing en analyse Begrippenlijst Inzicht in de wereld van big data, marketing en analyse 4orange, 13 oktober 2015 Hogehilweg 24 1101 CD Amsterdam Zuidoost www.4orange.nl 2 Inhoud Achtergrond & Aanleiding... 3 A... 3 B...

Nadere informatie

Neurale Netwerken en Deep Learning. Tijmen Blankevoort

Neurale Netwerken en Deep Learning. Tijmen Blankevoort Neurale Netwerken en Deep Learning Tijmen Blankevoort De toekomst - Internet of Things De toekomst - sluiertipje Je gezondheid wordt continue gemonitored Je dieet wordt voor je afgestemd -> Stroomversnelling

Nadere informatie

Rapporten. Labels en Rapporten in Atlantis 1. Atlantis heeft twee manieren om output te genereren: 1. labels 2. rapporten (reports)

Rapporten. Labels en Rapporten in Atlantis 1. Atlantis heeft twee manieren om output te genereren: 1. labels 2. rapporten (reports) Labels en Rapporten in Atlantis 1 Atlantis heeft twee manieren om output te genereren: 1. labels 2. rapporten (reports) Rapporten Een rapport is eigenlijk altijd een tekst bestand, die vorm wordt gegeven

Nadere informatie

Statistiek met Excel. Schoolexamen en Uitbreidingsopdrachten. Dit materiaal is gemaakt binnen de Leergang Wiskunde schooljaar 2013/14

Statistiek met Excel. Schoolexamen en Uitbreidingsopdrachten. Dit materiaal is gemaakt binnen de Leergang Wiskunde schooljaar 2013/14 Statistiek met Excel Schoolexamen en Uitbreidingsopdrachten 2 Inhoudsopgave Achtergrondinformatie... 4 Schoolexamen Wiskunde VWO: Statistiek met grote datasets... 5 Uibreidingsopdrachten vwo 5... 6 Schoolexamen

Nadere informatie

ENERGIE BEDRIJVEN EN ICT

ENERGIE BEDRIJVEN EN ICT ENERGIE BEDRIJVEN EN ICT De energiemarkt in Nederland is continu in beweging. Nieuwe toetreders veroveren marktaandeel en slimme meters, sectorwijzigingen en splitsing zorgen voor veranderingen. Energiebedrijven

Nadere informatie

Skills matrix - Methodiek voor technische training en kennismanagement

Skills matrix - Methodiek voor technische training en kennismanagement Dit artikel beschrijft een methodiek om opleidingscurricula te maken voor technische bedrijfsopleidingen waarbij technische vaardigheden getraind moeten worden. De methode is met name bruikbaar om flexibele

Nadere informatie

Inzet van social media in productontwikkeling: Meer en beter gebruik door een systematische aanpak

Inzet van social media in productontwikkeling: Meer en beter gebruik door een systematische aanpak Inzet van social media in productontwikkeling: Meer en beter gebruik door een systematische aanpak 1 Achtergrond van het onderzoek Bedrijven vertrouwen meer en meer op social media om klanten te betrekken

Nadere informatie

Excel reader. Beginner Gemiddeld. bas@excel-programmeur.nl

Excel reader. Beginner Gemiddeld. bas@excel-programmeur.nl Excel reader Beginner Gemiddeld Auteur Bas Meijerink E-mail bas@excel-programmeur.nl Versie 01D00 Datum 01-03-2014 Inhoudsopgave Introductie... - 3 - Hoofdstuk 1 - Databewerking - 4-1. Inleiding... - 5-2.

Nadere informatie

Case Closed. Foto: Roy Beusker

Case Closed. Foto: Roy Beusker Case Closed Foto: Roy Beusker De Nationale Postcode Loterij, de Sponsor Bingo Loterij en de BankGiro Loterij vormen gezamenlijk de Goede Doelen Loterijen in Nederland. Deze loterijen streven ernaar een

Nadere informatie

Tools voor canonieke datamodellering Bert Dingemans

Tools voor canonieke datamodellering Bert Dingemans Tools voor canonieke datamodellering Tools voor canonieke datamodellering Bert Dingemans Abstract Canonieke modellen worden al snel omvangrijk en complex te beheren. Dit whitepaper beschrijft een werkwijze

Nadere informatie

Software Design Document

Software Design Document Software Design Document PEN: Paper Exchange Network Software Engineering groep 1 (se1-1415) Academiejaar 2014-2015 Jens Nevens - Sander Lenaerts - Nassim Versbraegen Jo De Neve - Jasper Bevernage Versie

Nadere informatie

E-Business Examennummer: 94393 Datum: 28 juni 2014 Tijd: 13:00 uur - 14:30 uur

E-Business Examennummer: 94393 Datum: 28 juni 2014 Tijd: 13:00 uur - 14:30 uur E-Business Examennummer: 94393 Datum: 28 juni 2014 Tijd: 13:00 uur - 14:30 uur Dit examen bestaat uit 4 pagina s. De opbouw van het examen is als volgt: - case met 10 open vragen (maximaal 100 punten)

Nadere informatie

Samen werken aan de mooiste database

Samen werken aan de mooiste database Samen werken aan de mooiste database Inleiding Het is erg vervelend wanneer uw naam verkeerd gespeld wordt in een brief of wanneer u post ontvangt voor uw voorganger die al geruime tijd weg is. Dit soort

Nadere informatie

Incore Solutions Learning By Doing

Incore Solutions Learning By Doing Incore Solutions Learning By Doing Incore Solutions Gestart in November 2007 Consultants zijn ervaren met bedrijfsprocessen en met Business Intelligence Alle expertise onder 1 dak voor een succesvolle

Nadere informatie

Taxis Pitane SQL beheerder. Censys BV - Eindhoven

Taxis Pitane SQL beheerder. Censys BV - Eindhoven Taxis Pitane SQL beheerder Censys BV - Eindhoven Inhoud Wat is Taxis Pitane SQL beheerder?... 3 Kenmerken van de software... 3 De juiste SQL server editie voor uw organisatie... 3 SQL Server 2008 Express...

Nadere informatie

Versie: 1.0 Gemaakt door: Whisper380 Eigenaar: Whisper380-computerhulp.net Datum: 8-6-2011

Versie: 1.0 Gemaakt door: Whisper380 Eigenaar: Whisper380-computerhulp.net Datum: 8-6-2011 Versie: 1.0 Gemaakt door: Whisper380 Eigenaar: Whisper380-computerhulp.net Datum: 8-6-2011 Whisper380-computerhulp.net 1 Inhoudsopgave Libreoffice downloaden:...3 Libreoffice installeren...4 Java runtime

Nadere informatie

Introductie tot Business Intelligence

Introductie tot Business Intelligence Introductie tot Business Intelligence Analyseren Verbeteren Stefan Leunis Zaakvoerder Blue Bay Business Intelligence Consultancy Specialisatie in allerhande BI tools Sinds 2011: oplossing voor KMO markt

Nadere informatie

ONDERZOEKSRAPPORT CONTENT MARKETING EEN ONDERZOEK NAAR DE BEHOEFTE VAN HET MKB IN REGIO TWENTE AAN HET TOEPASSEN VAN CONTENT MARKETING

ONDERZOEKSRAPPORT CONTENT MARKETING EEN ONDERZOEK NAAR DE BEHOEFTE VAN HET MKB IN REGIO TWENTE AAN HET TOEPASSEN VAN CONTENT MARKETING ONDERZOEKSRAPPORT CONTENT MARKETING EEN ONDERZOEK NAAR DE BEHOEFTE VAN HET MKB IN REGIO TWENTE AAN HET TOEPASSEN VAN CONTENT MARKETING VOORWOORD Content marketing is uitgegroeid tot één van de meest populaire

Nadere informatie

ICT en grote datasets havo wiskunde A en vwo wiskunde A/C

ICT en grote datasets havo wiskunde A en vwo wiskunde A/C ICT en grote datasets havo wiskunde A en vwo wiskunde A/C Workshop Noordhoff wiskundecongres 19 november 2015 Matthijs van Maarseveen, Stijn Voets en Mark Haneveld Opbouw workshop 1. Demonstratie Exceltabellen

Nadere informatie

Koppeling met een database

Koppeling met een database PHP en MySQL Koppeling met een database 11.1 Inleiding In PHP is het eenvoudig om een koppeling te maken met een database. Een database kan diverse gegevens bewaren die met PHP aangeroepen en/of bewerkt

Nadere informatie

Quick Devis. De universele software voor het maken van offertes

Quick Devis. De universele software voor het maken van offertes Quick Devis De universele software voor het maken van offertes Ondernemers Ontdek een software ontworpen om zaken te winnen, dat toelaat van alle types van prijsopgaven te beheren. Prijsberekeningen op

Nadere informatie

Spreadsheets (Excel 2003)

Spreadsheets (Excel 2003) Spreadsheets (Excel 2003) 14 Toevoegen paragraaf 14.5 14.5 Subtotalen, draaitabellen en ALS In deze paragraaf bespreken we een aantal aanvullende functies in Excel. We beginnen met de subtotalen. Een subtotaal

Nadere informatie

Geen Big Data zonder Small Data. Norman Manley IT Analyst

Geen Big Data zonder Small Data. Norman Manley IT Analyst Geen Big Data zonder Small Data Norman Manley IT Analyst Big Data - een defini;e Big data is de naam die wij geven aan een verzameling van gegevens d ie z o g root ( en c omplex) i s d at d ie n iet m eer

Nadere informatie

Functionaliteiten 4orange Connect

Functionaliteiten 4orange Connect Functionaliteiten 4orange Connect 4orange, 2014 Hogehilweg 24 1101 CD Amsterdam Zuidoost www.4orange.nl 2 4orange Connect: de nieuwste release van FileFrame 4orange Connect is de nieuwste release van FileFrame.

Nadere informatie

Referentieniveaus uitgelegd. 1S - rekenen Vaardigheden referentieniveau 1S rekenen. 1F - rekenen Vaardigheden referentieniveau 1F rekenen

Referentieniveaus uitgelegd. 1S - rekenen Vaardigheden referentieniveau 1S rekenen. 1F - rekenen Vaardigheden referentieniveau 1F rekenen Referentieniveaus uitgelegd De beschrijvingen zijn gebaseerd op het Referentiekader taal en rekenen'. In 'Referentieniveaus uitgelegd' zijn de niveaus voor de verschillende sectoren goed zichtbaar. Door

Nadere informatie

Zelftest Informatica-terminologie

Zelftest Informatica-terminologie Zelftest Informatica-terminologie Document: n0947test.fm 01/07/2015 ABIS Training & Consulting P.O. Box 220 B-3000 Leuven Belgium TRAINING & CONSULTING INTRODUCTIE Deze test is een zelf-test, waarmee u

Nadere informatie

Invloed van IT uitbesteding op bedrijfsvoering & IT aansluiting

Invloed van IT uitbesteding op bedrijfsvoering & IT aansluiting xvii Invloed van IT uitbesteding op bedrijfsvoering & IT aansluiting Samenvatting IT uitbesteding doet er niet toe vanuit het perspectief aansluiting tussen bedrijfsvoering en IT Dit proefschrift is het

Nadere informatie

Inhoud: Inleiding tot Taak 1.1.14 1 Omschrijving van vacatures 2 Matrix van benodigde 5 Bronvermeldingen 7

Inhoud: Inleiding tot Taak 1.1.14 1 Omschrijving van vacatures 2 Matrix van benodigde 5 Bronvermeldingen 7 Inleiding Taak 10 gaat over het oriënteren op het vakgebied van onze toekomst. Als we straks afgestudeerd zijn zullen we automatisch werk moeten gaan zoeken. Maar welk werk of in welke sector? Dat gaan

Nadere informatie

Titel Uw processen transparant met SAP Process Mining.

Titel Uw processen transparant met SAP Process Mining. 1 Titel Uw processen transparant met SAP Process Mining. Introductie SAP Process Mining powered by Celonis is een nieuwe component van SAP op HANA. Process Mining gaat niet uit van vooraf gedefinieerde

Nadere informatie

Exact Online. Uw financiële cockpit op internet

Exact Online. Uw financiële cockpit op internet Exact Online Uw financiële cockpit op internet Eenvoudig online boekhouden Een onderneming staat of valt met haar financiële beleid. Met inzicht in de omzet, winst en cashflow nu en in de toekomst. Een

Nadere informatie

Data mining Van boodschappenmandjes tot bio-informatica

Data mining Van boodschappenmandjes tot bio-informatica Data mining Van boodschappenmandjes tot bio-informatica Walter Kosters Informatica, Universiteit Leiden donderdag 6 april 2006 http://www.liacs.nl/home/kosters/ 1 Wat is Data mining? Data mining probeert

Nadere informatie

Handleiding. Model ter ondersteuning van investeringsbeslissingen in de bouw

Handleiding. Model ter ondersteuning van investeringsbeslissingen in de bouw Handleiding Model ter ondersteuning van investeringsbeslissingen in de bouw 09-07-2009 Introductie... 3 Tabblad Inleiding... 4 Hoofdalternatieven... 5 Subalternatief... 6 Bouwdata... 6 Gebouwen... 6 Tabblad

Nadere informatie

Microsoft Office 365 voor bedrijven. Remcoh legt uit

Microsoft Office 365 voor bedrijven. Remcoh legt uit Microsoft Office 365 voor bedrijven Remcoh legt uit Beter samenwerken, ook onderweg Starten met Office 365 is starten met het nieuwe werken. Met Office 365 heeft u namelijk de mogelijkheid om altijd en

Nadere informatie

SQL Aantekeningen 3. Maarten de Rijke mdr@science.uva.nl. 22 mei 2003

SQL Aantekeningen 3. Maarten de Rijke mdr@science.uva.nl. 22 mei 2003 SQL Aantekeningen 3 Maarten de Rijke mdr@science.uva.nl 22 mei 2003 Samenvatting In deze aflevering: het selecteren van tuples, operaties op strings, en aggregatie functies. Verder kijken we naar iets

Nadere informatie

Digital human measurement technology

Digital human measurement technology Digital human measurement technology Philip J. Wijers - 27-3-2002 Samenvatting Digital human measurement technology is sterk in opkomst in Japan. Zoals wel vaker het geval is bij de ontwikkeling van industriële

Nadere informatie

Cover Page. The handle http://hdl.handle.net/1887/20358 holds various files of this Leiden University dissertation.

Cover Page. The handle http://hdl.handle.net/1887/20358 holds various files of this Leiden University dissertation. Cover Page The handle http://hdl.handle.net/1887/20358 holds various files of this Leiden University dissertation. Author: Witsenburg, Tijn Title: Hybrid similarities : a method to insert relational information

Nadere informatie

Rapportage klanttevredenheidsonderzoek Inclusief vergelijk 2012. Koro Enveloppen & Koro PackVision

Rapportage klanttevredenheidsonderzoek Inclusief vergelijk 2012. Koro Enveloppen & Koro PackVision Rapportage klanttevredenheidsonderzoek Inclusief vergelijk 2012 Opdrachtgever: Uitvoering: Koro Enveloppen & Koro PackVision Tema BV December 2014 1 I N L E I D I N G In 2014 heeft Tema voor de vijfde

Nadere informatie

Twaalfde college complexiteit. 11 mei 2012. Overzicht, MST

Twaalfde college complexiteit. 11 mei 2012. Overzicht, MST College 12 Twaalfde college complexiteit 11 mei 2012 Overzicht, MST 1 Agenda voor vandaag Minimum Opspannende Boom (minimum spanning tree) als voorbeeld van greedy algoritmen Overzicht: wat voor technieken

Nadere informatie

INHOUD. IQ LEADS Adres: Curieweg 8E Postcode: 2408 BZ Plaats: ALPHEN AAN DEN RIJN Telefoon: (0172) 421411 Email: info@iq-leads.

INHOUD. IQ LEADS Adres: Curieweg 8E Postcode: 2408 BZ Plaats: ALPHEN AAN DEN RIJN Telefoon: (0172) 421411 Email: info@iq-leads. INHOUD INLEIDING... 3 TIP 1: DOELGROEPOVERZICHT... 4 TIP 2: WAAR KOMEN UW BEZOEKERS BINNEN?... 5 TIP 3: HOE KOMEN BEZOEKERS BINNEN?... 8 TIP 4: FILTERS... 9 TIP 5: GOAL TRACKING... 10 TIP 6: INTELLIGENCE

Nadere informatie

Databank - Basis 1. Inhoud. Computervaardigheden en Programmatie. Hoofdstuk 4 Databank - Basis. Terminologie. Navigeren door een Venster

Databank - Basis 1. Inhoud. Computervaardigheden en Programmatie. Hoofdstuk 4 Databank - Basis. Terminologie. Navigeren door een Venster 4. 4. Inhoud rste BAC Toegepaste Biologische Wetenschappen Hoofdstuk 4 Databank Terminologie, Navigeren, Importeren Tabellen Records/Velden manipuleren Queries (Vragen) [Ook in SQL] sorteren filter volgens

Nadere informatie

Modelleren C Appels. Christian Vleugels Sander Verkerk Richard Both. 2 april 2010. 1 Inleiding 2. 3 Data 3. 4 Aanpak 3

Modelleren C Appels. Christian Vleugels Sander Verkerk Richard Both. 2 april 2010. 1 Inleiding 2. 3 Data 3. 4 Aanpak 3 Modelleren C Appels Christian Vleugels Sander Verkerk Richard Both 2 april 2010 Inhoudsopgave 1 Inleiding 2 2 Probleembeschrijving 2 3 Data 3 4 Aanpak 3 5 Data-analyse 4 5.1 Data-analyse: per product.............................

Nadere informatie

Weet meer...breng je brein in kaart

Weet meer...breng je brein in kaart Weet meer...breng je brein in kaart Benut de kracht van visuele informatie Een beeld is meer waard dan duizend hangmappen. Ons eigen organisch brein werkt zelden lineair. Onze beste ideeën en inzichten

Nadere informatie

Kenmerk ontheffing in de Bijstands Uitkeringen Statistiek

Kenmerk ontheffing in de Bijstands Uitkeringen Statistiek Centraal Bureau voor de Statistiek Divisie sociale en regionale statistieken (SRS) Sector statistische analyse voorburg (SAV) Postbus 24500 2490 HA Den Haag Kenmerk ontheffing in de Bijstands Uitkeringen

Nadere informatie

Mitsubishi Caterpillar Forklift Europe - producent van vorkheftrucks - verhoogt klanttevredenheid

Mitsubishi Caterpillar Forklift Europe - producent van vorkheftrucks - verhoogt klanttevredenheid Mitsubishi Caterpillar Forklift Europe - producent van vorkheftrucks - verhoogt klanttevredenheid Met een combinatie van Microsoft Dynamics CRM en een online besteltool krijgt MCFE niet alleen inzicht

Nadere informatie

Inleiding. Schema Achterhoekagenda

Inleiding. Schema Achterhoekagenda Inleiding In deze instructie wordt uitleg gegeven over de functionaliteit van de Achterhoekagenda. De informatie is tevens terug te vinden op de website. Schema Achterhoekagenda. De werking van de Achterhoekagenda

Nadere informatie

SQL is opgebouwd rond een basisinstructie waaraan één of meerdere componenten worden toegevoegd.

SQL is opgebouwd rond een basisinstructie waaraan één of meerdere componenten worden toegevoegd. BASISINSTRUCTIES SQL SQL : Structured Query Language is een taal gericht op het ondervragen van een relationele database en die aan veel klassieke databasemanagementsystemen kan worden gekoppeld. SQL is

Nadere informatie

Subrapporten. 5.1 Inleiding

Subrapporten. 5.1 Inleiding 5 Subrapporten 5.1 Inleiding Een subrapport is een rapport in een rapport. Een subrapport maak je dan ook net zoals je een gewoon rapport maakt. Een subrapport heeft bijna alle eigenschappen die een normaal

Nadere informatie

Officiële uitgave van het Koninkrijk der Nederlanden sinds 1814.

Officiële uitgave van het Koninkrijk der Nederlanden sinds 1814. STAATSCOURANT Officiële uitgave van het Koninkrijk der Nederlanden sinds 1814. Nr. 7228 14 maart 2014 Regeling van de Staatssecretaris van Onderwijs, Cultuur en Wetenschap van 22 februari 2014, nr. VO/599178,

Nadere informatie

gegevens analyseren Welk onderzoekmodel gebruik je? Quasiexperiment ( 5.5) zonder controle achtergronden

gegevens analyseren Welk onderzoekmodel gebruik je? Quasiexperiment ( 5.5) zonder controle achtergronden een handreiking 71 hoofdstuk 8 gegevens analyseren Door middel van analyse vat je de verzamelde gegevens samen, zodat een overzichtelijk beeld van het geheel ontstaat. Richt de analyse in de eerste plaats

Nadere informatie

Registratie Data Verslaglegging

Registratie Data Verslaglegging Sjablonen Websupport Registratie Data Verslaglegging Websites Inrichtingen Video solutions Rapportages Consultancy Imports Helpdesk Exports Full Service Dashboards Registratie Koppelen en controleren De

Nadere informatie

De Marketeer is niet meer; leve de Geomarketeer! Over de integratie van lokatie in marketing

De Marketeer is niet meer; leve de Geomarketeer! Over de integratie van lokatie in marketing De Marketeer is niet meer; leve de Geomarketeer! Over de integratie van lokatie in marketing dr. Jasper Dekkers Afdeling Ruimtelijke Economie, vrije Universiteit amsterdam Korte introductie Economie Geo

Nadere informatie

Informatie Systeem Ontwikkeling ISO 2R290

Informatie Systeem Ontwikkeling ISO 2R290 Informatie Systeem Ontwikkeling ISO 2R290 docent: Prof. dr. Paul De Bra Gebaseerd op: Database System Concepts, 5th Ed. doel van dit vak kennis van en inzicht in basisbegrippen over informatiesystemen

Nadere informatie

VEILIGHEIDSVOORRADEN BEREKENEN

VEILIGHEIDSVOORRADEN BEREKENEN VEILIGHEIDSVOORRADEN BEREKENEN 4 Soorten berekeningen 12 AUGUSTUS 2013 IR. PAUL DURLINGER Durlinger Consultancy Management Summary In dit paper worden vier methoden behandeld om veiligheidsvoorraden te

Nadere informatie

Thinking of development

Thinking of development Thinking of development Databases Arjan Scherpenisse HKU / Miraclethings Agenda voor vandaag Opdracht tussenstand State diagram / Observer pattern Bret Victor Databases 2/42 Opdracht tussenstand Slides

Nadere informatie

01/05. Websites Nederland over. Mobile marketing. Whitepaper #03/2013. Mabelie Samuels internet marketeer

01/05. Websites Nederland over. Mobile marketing. Whitepaper #03/2013. Mabelie Samuels internet marketeer 01/05 Websites Nederland over Mobile marketing Mabelie Samuels internet marketeer 02/05 Mobile marketing Kunt u zich uw eerste mobiele telefoon nog herinneren? Die van mij was een Motorola, versie onbekend,

Nadere informatie

SALARISADMINISTRATIE

SALARISADMINISTRATIE SALARISADMINISTRATIE Zelf doen of uitbesteden? Leuk dat je ons partner kennisdocument hebt gedownload. In kennisdocumenten in samenwerking met horecabranche experts brengen wij je op de hoogte van de voor

Nadere informatie

Compare to Compete onderzoekt: Benchmarken door brancheorganisaties

Compare to Compete onderzoekt: Benchmarken door brancheorganisaties Compare to Compete onderzoekt: Benchmarken door brancheorganisaties Onderzoek van Compare to Compete: Hoe brancheorganisaties aankijken tegen benchmarken Wat is benchmarken of benchmarking? Benchmarking

Nadere informatie

Productblad OEE software

Productblad OEE software Productblad OEE software In dit productblad wordt een beschrijving gegeven van de OEE Analyser software. Deze software kan zowel stand-alone als in combinatie met de kwaliteitssoftware QIS worden toegepast.

Nadere informatie

Analyst s Workstation. the analytical collection

Analyst s Workstation. the analytical collection Analyst s Workstation the analytical collection Analyst s Workstation Analyst s Workstation is de softwareoplossing voor het verzamelen, opslaan, onderzoeken en analyseren van onderzoeksgegevens. U brengt

Nadere informatie

Archimate risico extensies modelleren

Archimate risico extensies modelleren Archimate risico extensies modelleren Notatiewijzen van risico analyses op basis van checklists versie 0.2 Bert Dingemans 1 Inleiding Risico s zijn een extra dimensie bij het uitwerken van een architectuur.

Nadere informatie

Whitepaper. 5 vraagstukken bij het koppelen van uw webwinkel aan uw boekhoud- of ERP systeem.

Whitepaper. 5 vraagstukken bij het koppelen van uw webwinkel aan uw boekhoud- of ERP systeem. 5 vraagstukken bij het koppelen van uw webwinkel aan uw boekhoud- of ERP systeem. Inhoud Inleiding... 1 Factureren... 1 Klantgegevens... 2 Orderverwerking... 2 Artikelinformatie... 3 Voorraad... 3 Inleiding

Nadere informatie

Dun & Bradstreet Onderzoek naar betalingstermijnen bij bedrijven onderling

Dun & Bradstreet Onderzoek naar betalingstermijnen bij bedrijven onderling Dun & Bradstreet Onderzoek naar betalingstermijnen bij bedrijven onderling Analyse voor: Ministerie van Economische Zaken 24 augustus 2015 Dun & Bradstreet Inhoud Dun & Bradstreet Onderzoek naar betalingstermijnen

Nadere informatie

Project plan. Erwin Hannaart Sander Tegelaar 61849 62407

Project plan. Erwin Hannaart Sander Tegelaar 61849 62407 Project plan Erwin Hannaart Sander Tegelaar 61849 62407 I4C2 I4C1 1 Inhoudsopgave Doel en doelgroep van het project... 3 Beschrijving van het project... 4 Benodigde materialen... 5 Te verwachten resultaten,

Nadere informatie

edocs database structuur info

edocs database structuur info edocs database structuur info EMAIL WEBSITE Zwolle, 3 jan. 12 j.moorman@edocs.nl www.edocs.nl PAGINA 2 VAN 6 Background info edocs is een digitale archiveringsproduct voor windows platforms geschreven

Nadere informatie

Methoden van het Wetenschappelijk Onderzoek: Deel II Vertaling pagina 83 97

Methoden van het Wetenschappelijk Onderzoek: Deel II Vertaling pagina 83 97 Wanneer gebruiken we kwalitatieve interviews? Kwalitatief interview = mogelijke methode om gegevens te verzamelen voor een reeks soorten van kwalitatief onderzoek Kwalitatief interview versus natuurlijk

Nadere informatie

Zakelijk Office 365 Snel aan de slag met Zakelijk Office 365 Professional Plus

Zakelijk Office 365 Snel aan de slag met Zakelijk Office 365 Professional Plus Zakelijk Office 365 Snel aan de slag met Zakelijk Office 365 Professional Plus Versie 1.2 1 Inhoudsopgave 1 Inleiding... 3 2 Zakelijk Office 365 voor het eerst gebruiken... 4 2.1 Inloggen op Zelfservice

Nadere informatie

Mobiliteit van de manager vraagt om nieuwe toepassingen Procesgegevens nu ook inzichtelijk en overzichtelijk op je ipad

Mobiliteit van de manager vraagt om nieuwe toepassingen Procesgegevens nu ook inzichtelijk en overzichtelijk op je ipad Mobiliteit van de manager vraagt om nieuwe toepassingen Procesgegevens nu ook inzichtelijk en overzichtelijk op je ipad Insurance Government Automotive Finance Energy Healthcare Logistics Mobiliteit van

Nadere informatie

Curriculum Vitae Ishak Atak. www.ishakatak.nl. Naam : Ishak Atak Roepnaam : Ishak. Woonplaats : Utrecht Geboorte datum : 13-05-1983

Curriculum Vitae Ishak Atak. www.ishakatak.nl. Naam : Ishak Atak Roepnaam : Ishak. Woonplaats : Utrecht Geboorte datum : 13-05-1983 Naam : Ishak Atak Roepnaam : Ishak Woonplaats : Utrecht Geboorte datum : 13-05-1983 Tel. : +316-46 17 76 00 Beschikbaar : Full time December 2015 Email: : contact@ishakatak.nl Datum CV : November 2015

Nadere informatie

SIEBEL CRM ON DEMAND MARKETING

SIEBEL CRM ON DEMAND MARKETING SIEBEL CRM ON DEMAND MARKETING Siebel CRM On Demand Marketing biedt u en uw team de geïntegreerde programma s waarmee u de marketing naar uw klanten kunt verbeteren. Met deze programma s leert u uw doelgroep

Nadere informatie

Dashboards in Google Analytics. Inhoud 1. KPI s voor dashboards... 2

Dashboards in Google Analytics. Inhoud 1. KPI s voor dashboards... 2 Dashboards in Google Analytics Inhoud 1. KPI s voor dashboards... 2 2. Hoe stel je dashboards in?... 6 3. Praktische voorbeelden van dashboards... 12 4. Afsluitende tips... 26 Inleiding In Google Analytics

Nadere informatie

Exact Synery Add-on Adres Validatie

Exact Synery Add-on Adres Validatie Product Update 396 Exact Synery Add-on Adres Validatie Gebruikershandleiding Product update 396 Exact Synergy Add-on Adres Validatie II Exact Synergy Add-on Adres Validatie Inhoudsopgave Inleiding Licentie

Nadere informatie

HOOFDSTUK VII REGRESSIE ANALYSE

HOOFDSTUK VII REGRESSIE ANALYSE HOOFDSTUK VII REGRESSIE ANALYSE 1 DOEL VAN REGRESSIE ANALYSE De relatie te bestuderen tussen een response variabele en een verzameling verklarende variabelen 1. LINEAIRE REGRESSIE Veronderstel dat gegevens

Nadere informatie

Cursus MS Excel 2007 (N), Introductie (1) Mei 2009

Cursus MS Excel 2007 (N), Introductie (1) Mei 2009 Cursus MS Excel 2007 (N), Introductie (1) Mei 2009 Opdracht 1 De werking van Excel starten... 1 Opdracht 2 Weergave op het scherm (statusbalk)... 2 Opdracht 3 Weergave op het scherm (statusbalk wijzigen)...

Nadere informatie

Folkert Buiter 2 oktober 2015

Folkert Buiter 2 oktober 2015 1 Nuchter kijken naar feiten en trends van aardbevingen in Groningen. Een versneld stijgende lijn van het aantal en de kracht van aardbevingen in Groningen. Hoe je ook naar de feitelijke metingen van de

Nadere informatie

BIG DATA wat is het eigenlijk?

BIG DATA wat is het eigenlijk? Dia 1 Agenda BIG DATA wat is het eigenlijk? De (on)zin achter BIG DATA BIG DATA wordt small data Uw klant begint een web-winkel,advieskans!? De vertaling naar risico s De stap naar de tweedelijns controller

Nadere informatie