VISUAL ANALYTICS. Ondernemingen kunnen hun besluiten automatiseren met. Decision-managementsystemen

Maat: px
Weergave met pagina beginnen:

Download "VISUAL ANALYTICS. Ondernemingen kunnen hun besluiten automatiseren met. Decision-managementsystemen"

Transcriptie

1 Informatiemanagement Decision-managementsystemen VISUAL ANALYTICS Decision-managementsystemen helpen bij beslissingsprocessen. Hoe werken dit soort systemen precies, wat kunnen ze wel en wat niet? De auteur maakt met een voorbeeld de achterliggende principes duidelijk. Daarna gaat hij in op de mogelijke rol van visual analytics, en hoe dit de mogelijkheden van decision-managementsystemen verder kan verbeteren en verfijnen. DOOR BERTJAN BROEKSEMA Ondernemingen kunnen hun besluiten automatiseren met behulp van een decision-managementsysteem (DMS). Dit heeft onder andere als voordeel dat besluiten niet meer onderhevig zijn aan menselijk falen zoals door verveling of voorkeur. Daardoor worden processen uniformer en beter schaalbaar. Dit betekent echter niet dat deze processen zich volledig moeten onttrekken aan menselijk toezicht. Het opschalen van processen kan als gevolg hebben dat kleine effecten, die weinig invloed hebben op kleine schaal, ineens grote betekenis krijgen. De vraag is echter hoe we op een betekenisvolle manier inzicht kunnen krijgen in zulke effecten. In dit artikel geef ik een kort overzicht van de componenten van een DMS om inzicht te geven in welke data gegenereerd worden. Vervolgens geef ik aan de hand van een voorbeeld aan welke uitdagingen een DMS met zich meebrengt. Daarna introduceer ik visual analytics (VA) en hoe VA gebruikt kan worden als een mogelijke oplossingsrichting voor de genoemde uitdagingen. Decision-managementsystemen Waar business process modeling (BPM) gebruikt wordt om end-to-end bedrijfsprocessen te modelleren en te automatiseren, is een DMS bedoeld om besluiten die onderdeel zijn van zo n proces te automatiseren. Om geschikt te zijn voor automatisering, moeten besluiten bepaalde eigenschappen bezitten. Allereerst moeten ze repetitief zijn. Daarnaast moeten ze onderhevig zijn aan kleine veranderingen door omstandigheden zoals een verschuivende markt of veranderende wetgeving. De generieke aanpak van een DMS maakt dat het toegepast kan worden in een veelheid aan contexten. Een aantal voorbeelden van terugkerende vragen die beantwoord kunnen worden met geautomatiseerde systemen zijn: ~ Is de verstrekte informatie valide? ~ Wat is de prijs voor een product of dienst voor een specifiek klant waarbij regulatie ook een rol speelt? ~ Is het risico voor het afgeven van een specifieke hypotheek aanvaardbaar? ~ Is een gegeven bank- of creditkaarttransactie frauduleus? In een bedrijfsproces kunnen besluitvormingsprocessen soms geheel of gedeeltelijk worden geautomatiseerd. In figuur 1 zien we bijvoorbeeld het sterk vereenvoudigde proces voor de aanvraag van een autoverzekering. Allereerst wordt bepaald of iemand in aanmerking komt voor de verzekering (DM 1). Als dit het geval is, wordt een prijs berekend aan de hand van de geselecteerde opties en eigenschappen van de aanvrager (DM 2). Anders wordt de aanvraag genegeerd of handmatig verwerkt. Componenten DMS Voordat we kunnen praten over de uitdagingen die een DMS met zich meebrengt, moeten we eerst een globaal idee hebben van hoe een DMS werkt. De belangrijkste componenten van een DMS zijn: het domeinmodel, domeininstanties, de beslissingslogica en de executie-engine. Domeinmodel: Het domeinmodel is een beschrijving van alle concepten die onderdeel zijn van het te nemen besluit. Het 14 AUGUSTUS 2014

2 Process manually $(manual) Insurance quote request DM 1: Determine eligibility $(not eligible) Send rejection message $(eligible) DM 2: Calculate insurance quote Send insurance offer Figuur 1 Een vereenvoudigd voorbeeld van een bedrijfsproces waarin bepaalde besluiten geautomatiseerd zijn (bron: Broeksema, 2013) omvat zowel de concepten die de invoer beschrijven voor het besluit, als de concepten die het besluit zelf representeren. Het beschrijft bijvoorbeeld in het hiervoor genoemde scenario van de autoverzekering, zaken als aanvrager (met eigenschappen zoals leeftijd, aantal jaar rijbewijs) en gewenste verzekering (met eigenschappen als eigen risico). Het model beschrijft normaal gesproken alleen concepten en eigenschappen die worden gebruikt bij het maken van het besluit. Dus, als de kleur van een auto niet van belang is in zowel DM1 als DM2 (zie figuur 1), zal het concept Auto deze eigenschap niet bevatten. Het is duidelijk dat het domeinmodel nooit de volledige complexiteit van de werkelijkheid kan modelleren Domeininstanties. Concrete objecten met eigenschappen zoals beschreven in het domeinmodel, noemen we domeininstanties. Als het domeinmodel een Auto beschrijft met de eigenschappen merk, type en bouwjaar, dan is een Opel Astra uit 2004 een instantie. Een individueel besluit wordt gekarakteriseerd door alle instanties die als invoer dienen (auto, aanvrager, type verzekering), als wel door de instanties die de eigenlijke besluiten representeren (geldigheid in DM1, calculatie en aanbod in DM2). Beslissingslogica. De beslissingslogica is een verzameling ALS(...)DAN(...)-regels. Deze regels bepalen wat, gegeven een domeininstantie die dient als invoer, welk besluit genomen moet worden. De regels zijn geformuleerd in termen van het domeinmodel, bijvoorbeeld: ALS aanvrager.leeftijd > 18 EN aanvrager.leeftijd < 24) DAN aanvrager.risicofactor = 3 Sommige van deze regels zijn alleen van toepassing in enkele besluiten, terwijl andere altijd toegepast worden. Hoewel deze regels individueel in veel gevallen relatief eenvoudig zijn, wordt het geheel complex als deze uit honderden of duizenden regels bestaat. Temeer omdat deze regels verschillende domeinen beslaan zoals wet- en regelgeving, risicomanagement en marketing. Ook het samenspel tussen de verschillende regels is niet eenvoudig inzichtelijk te maken door alleen naar individuele regels te kijken. Businessactiviteit modelleren Met een DMS kan op een geautomatiseerde manier gereageerd worden op gebeurtenissen die gerelateerd zijn aan het domein. Een autoverzekering is aangevraagd, een creditkaart of banktransactie is uitgevoerd, een pakket is ontvangen, enz. Om op een rationele manier te reageren op zulke AUGUSTUS

3 gebeurtenissen moet de informatie die relevant geacht wordt voor het besluit verzameld worden. Welke informatie verzameld wordt, is zoals eerder vermeld, vastgelegd in het domeinmodel. Het is duidelijk dat het domeinmodel nooit de volledige complexiteit van de werkelijkheid kan modelleren. Dit is dan ook niet waar businessanalisten in de context van decision automation naar streven. Door gebruik te maken van hun kennis van het domein, het bedrijfsbeleid en wet- en regelgeving, kiezen ze wat gemodelleerd wordt en wat niet. Er zijn verschillende redenen waarom bepaalde informatie niet gemodelleerd wordt: het kan onwettig zijn bepaalde informatie vast te leggen, het kan onbelangrijk geacht worden, het wordt over het hoofd gezien of het is niet bekend tijdens de modelleringsfase. Dat niet alles gemodelleerd kan worden is een noodzakelijk, maar tegelijk ook interessant aspect. De beslissingslogica kan namelijk alleen redeneren over zaken die vastgelegd zijn in het domeinmodel. Dus, een regel kan alleen over de leeftijd van een persoon gaan, als het concept Persoon in het domeinmodel ook een eigenschap leeftijd heeft. Regels van de beslissingslogica zorgen voor de afhandeling van interne en externe beperkingen. Interne/externe regels Externe beperkingen komen van buiten het bedrijf en kunnen niet of minimaal beïnvloed worden. Hiervan zijn verschillende voorbeelden te noemen, zoals wetgeving, al dan niet specifiek voor het domein van de bedrijfsvoering. Een ander voorbeeld is fysieke beperkingen: een pakket kan alleen per luchtpost verstuurd worden als de infrastructuur aanwezig is op de relevante locaties. Wanneer de werkelijkheid verandert, bijvoorbeeld wanneer nieuwe wetgeving van kracht wordt, moeten de regels van de domeinlogica aangepast worden om hierin te voorzien. Voor interne regels, ofwel regels die bedrijfsbeleid vastleggen, ligt de situatie anders. Het beleid weerspiegelt namelijk hoe een bedrijf in een gegeven situatie een balans maakt tussen risico s en bedrijfsdoelen. Regels die beleid implementeren maken daarom de aannames die gedaan worden in de bedrijfsvoering expliciet. Bijvoorbeeld, de eerder gegeven regel over de relatie tussen leeftijd en risicofactor, maakt de aanname dat jongere automobilisten een hoger risico vormen expliciet. In tegenstelling tot regels die externe beperkingen afhandelen, kunnen regels die beleid vastleggen op elk moment veranderd worden. Het veranderen van deze regels is een manier om de balans tussen risico en business-performance af te stemmen. Deze adaptieve controle helpt bedrijven om een strategisch voordeel te behalen of te behouden en om zich snel aan te passen aan veranderende marktbehoeftes. Realistische modellen bestaan uit honderden concepten en duizenden regels. Deze complexiteit leidt tot drie hoofdproblemen: ~ Het is moeilijk na te gaan of alle aannames in het model correct zijn. ~ De wisselwerking tussen aannames en externe beperkingen wordt complexer en als gevolg moeilijker te begrijpen. ~ Het wordt moeilijker na te gaan of concepten en regels die geen onderdeel uitmaken van het model alsnog toegevoegd moeten worden. In de loop van de tijd worden besluiten genomen door een DMS, wat resulteert in een verzameling van feiten. Deze feiten, de invoer en het genomen besluit, kunnen gebruikt worden om eerdergenoemde aannames en wisselwerking te analyseren en te verifiëren. De besluiten worden echter uitgevoerd zonder menselijk toezicht en op een enorme schaal, soms miljoenen per dag. Ongewenste resultaten kunnen daardoor aggregeren en grote invloed hebben op de business-performance of een Met het automatiseren van beslissingen verschuift niet automatisch ook de verantwoordelijkheid ongewenst risico creëren. De vraag is: hoe kan een analist geholpen worden om uit te vinden of en hoe het model van de realiteit (domein en regels) afwijkt van de realiteit? Visual analytics voor DMS Er zijn verschillende manieren mogelijk om deze problematiek aan te pakken. Een mogelijkheid is het gebruik van dashboards, waarop relevante meetwaarden weergegeven worden. Dit kan worden gecombineerd met automatische signalering als meetwaarden onder of boven gestelde grenzen komen. Een nadeel van deze aanpak is dat het alleen aangeeft dat er iets mis is en niet veel informatie geeft over hoe het model aangepast moet worden. Een tweede aanpak is het gebruik van analytische methoden om waarden in het model automatisch aan te passen op basis van genomen besluiten. Dit zou moeten zorgen voor een constante optimalisatie van de performance. Echter, deze methode kan, net zoals de regels, alleen werken met dat wat gemodelleerd is. En zoals we eerder zagen, is niet alles gemodelleerd. Waar we naar op zoek zijn is een proces waarbij automatische analytische methoden gecombineerd worden met de mogelijkheid voor een analist om zijn kennis in te brengen. Dit brengt ons bij VA. 16 AUGUSTUS 2014

4 Wat is visual analytics? Keim (Keim e.a., 2010) definieert VA als volgt: Visual analytics combines automated analysis techniques with interactive visualizations for an effective understanding, reasoning and decision making on the basis of very large and complex datasets. Deze definitie bevat verschillende componenten. Het ontdekken van patronen en anomalieën in visuele beelden is iets waarin een mens in de meeste gevallen beter is dan computers. Dit is een van de hoofdredenen om gegevens te visualiseren. Wanneer de gegevens uit grote hoeveelheden data bestaan is het vaak niet meer mogelijk om alle data tegelijk te visualiseren. Daarom worden geautomatiseerde analytische technieken toegepast om een gecomprimeerde weergave van de data te krijgen, die de meest belangrijke structuren toont. Met behulp van interactieve methoden kunnen vervolgens irrelevante data gefilterd worden of ingezoomd worden op een specifieke selectie van de data. De combinatie van automatische analytische methoden en interactieve visualisatie helpt een analist om complexe informatie te synthetiseren en inzicht te verkrijgen. Het maakt het mogelijk om te verifiëren of verwachte patronen zich voordoen en om onverwachte patronen te ontdekken. Dit inzicht helpt bij het redeneren over de problematiek die onderzocht wordt. Hierbij worden dus niet alleen de gegevens in het systeem gebruikt, maar krijgt de analist ook de kans om zijn eigen kennis aan het analytisch proces toe te voegen. Figuur 2 Decision exploration lab, een voorbeeldtoepassing van visual analytics in de context van DMS (bron: Broeksema, 2013) Decision exploration lab Hoe werkt dit in de praktijk? In mijn proefschrift (Broeksema, 2013) beschrijf ik het decision exploration lab, een VA-omgeving specifiek voor de analyse van geautomatiseerde besluiten. Deze omgeving combineert statistische analyse van de domeininstanties met analyse van de uitgevoerde besluitregels. Zo kunnen niet alleen patronen en uitzonderingen ontdekt worden, maar deze kunnen gelijk gekoppeld worden aan de logica die hiermee verband houdt. Een overzicht van deze omgeving is te zien in figuur 2 en bevat de volgende componenten: A. conceptboom: gedefinieerde concepten, eigenschappen en waarden die ze kunnen aannemen; B. conceptmap: visualiseert waarden van geselecteerde concepteigenschappen; C. regel-executieview: laat relevante regel-executie-eigenschappen zien. In deze context maken we onderscheid tussen twee soorten concepten: invoerconcepten (bijvoorbeeld een bestuurder met eigenschappen als leeftijd, geslacht en aantal ongelukken) en uitvoerconcepten, waarvan er in dit voorbeeld slechts één is: eligibility (oftewel, in aanmerking komen voor een verzekering). Dit uitvoerconcept resulteert in een van de volgende waarden voor elke aanvraag: komt in aanmerking (eligible), handmatige controle (manual), afwijzing (ineligible). Alle waarden in de conceptboom van de concepten die de gebruiker heeft geselecteerd, worden automatisch geanalyseerd en daarna geplot als een cel in de conceptmap. Dit resulteert initieel in een conceptmap met een cel voor elke mogelijke waarde. Waarden die dicht bij elkaar geplot worden hebben een sterke relatie. We zien bijvoorbeeld in figuur 2 dat de leeftijdscategorie correleert met personen die nog studeren. Dat wil zeggen, het is waarschijnlijk dat een aanvrager met AUGUSTUS

5 een leeftijd tussen de 18 en 20 jaar student is. Naarmate de afstand tussen waarden groter wordt, wordt de relatie zwakker. Bijvoorbeeld: mensen in de leeftijdscategorie >= 80, worden (bijna) nooit voor handmatige controle aangemerkt. Waarden van invoerconcepten worden in blauw weergegeven en waarden van uitvoerconcepten worden in groen weergegeven. Omdat groepen van gecorreleerde waarden interessanter zijn dan individuele waarden, kunnen waarden samengevoegd worden in de conceptmap. Dit gebeurt interactief met behulp van de slider. Waarden die dicht bij elkaar liggen worden samengevoegd in een cel op basis van de afstand bepaald door de slider. Een cel kan meerdere waarden bevatten, zowel waarden van in- als van uitvoerconcepten. Als er een of meer waarden van een uitvoerconcept in een cel valt, kleurt de cel groen. In dit scenario wil de analist onderzoeken waarom meer aanvragen als niet-geldig (ineligible) worden aangemerkt dan aanvankelijk gepland. Om zijn analyse te starten selecteert de analist de concepteigenschappen van Driver en het beslissingsconcept Eligible. De eigenschappen van de VehicleCoverage -concepten laat hij achterwege omdat hij weet dat geldigheid van een aanvraag alleen is gebaseerd op de eigenschappen van een aanvrager. Nadat hij de concepten heeft geselecteerd wordt de conceptmap vernieuwd met de resultaten van de statistische analyse. De histogrammen in de hoeken van de conceptmap geven aan welke concepteigenschappen statistisch van belang zijn en helpen om de selectie verder te reduceren. Gebruikmakend van de slider, groepeert de analist de verschillende waarden om een beter overzicht te krijgen van welke waarden aan elkaar gerelateerd zijn. Hij vindt in het centrum aanvragers in de leeftijdscategorie die nog studeren. De groene cellen representeren gegroepeerde concepteigenschappen waarin ook een besluiteigenschap inzit. Elke van de drie mogelijke uitkomsten (eligible, ineligible, manual) is ruwweg even waarschijnlijk voor studenten, wat maakt dat deze cel ertussenin valt. Om het proces te optimaliseren zou deze cel dichter bij een van de volgende uitkomsten moeten komen te liggen: eligible, manual. Dit zou namelijk betekenen dat meer studenten uiteindelijk ook een aanbod krijgen. De analist selecteert daarom de cel en kijkt vervolgens naar de regel-executiestatistieken. Daar vindt hij zoals verwacht dat bepaalde profielen meer en andere minder aanwezig zijn in de selectie van besluiten (zie figuur 2). Deze regels controleren op leeftijd en het is daarom niet verrassend dat bijvoorbeeld de regel voor profiel 3 vele malen vaker uitgevoerd is dan verwacht zou mogen worden. Vervolgens ziet de analist dat voor studenten regels voor rijden onder invloed en verhoogd risico vaker uitgevoerd worden dan statistisch gezien verwacht mag worden. De analist weet dat beide regels resulteren in het weigeren van de aanvraag en beseft dat hier ruimte voor verbetering is. Hoewel in de meeste gevallen weigering de meest veilige optie is, zou van mensen in deze leeftijdscategorie aangenomen kunnen worden dat hun rijstijl verantwoordelijker wordt naarmate ze ouder worden. Met dit inzicht zou de analist daarom kunnen beslissen om in deze gevallen niet de aanvraag te weigeren maar handmatig te behandelen. Samenvatting Dit artikel gaf een korte introductie op decision-managementsystemen. (In Taylor en Raden 2004 en Taylor 2011 zijn uitgebreide beschrijvingen van DMS te vinden.) Er is uitgelegd welke componenten een typisch DMS heeft en hoe het gebruikt kan worden om businessactiviteit mee te modelleren en te automatiseren. Dit brengt met zich mee dat veel kennis die voorheen impliciet was nu expliciet wordt gemaakt in een domeinmodel en besluitlogica. Echter, niet alle kennis is impliciet gemaakt. Zodoende is het nodig dat menselijk inzicht kan worden benut bij het optimaliseren van geautomatiseerde beslissingen. Visual analytics is een aanpak die automatische analytische methoden combineert met interactieve visuele representaties. Dit maakt het mogelijk voor analisten om grote hoeveelheden data te analyseren en verklaringen te vinden voor een bepaald fenomeen. Analisten kunnen in dit proces hun eigen inzicht inbrengen. Een korte illustratie hiervan is gegeven met behulp van een scenario uit de autoverzekeringsbranche. Met het automatiseren van beslissingen verschuift niet automatisch ook de verantwoordelijkheid. Computerprogramma s blijven mensenwerk en behoeven zodanig ook menselijk toezicht. De verandering van schaal vraagt wel om nieuwe middelen. Visual analytics voorziet in de bouwstenen voor deze nieuwe middelen. Literatuur ~ B. Broeksema (2013) The Decision Exploration Lab, PhD thesis, University of Groningen, waarin meer over de problematiek die bij het gebruik van deze systemen speelt en hoe VA gebruikt kan worden om deze problemen aan te pakken. ~ D.A. Keim e.a. (red.) (2010) Mastering the Information Age Solving Problems with Visual Analytics, Eurographics Association. ~ J. Taylor (2011) Decision Management Systems: A Practical Guide to Using Business Rules and Predictive Analytics, IBM Press. ~ J. Taylor en N. Raden (2004) Smart Enough Systems, Prentice Hall. Bertjan Broeksema is research scientist visual analytics bij het Centre de Recherche Public Gabriel Lippmann (CRPGL) in Belvaux, Luxemburg. Het CRPGL is een publiek onderzoeksinstituut dat zich richt op wetenschappelijk onderzoek en technologische ontwikkeling. 18 AUGUSTUS 2014

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

Proactief en voorspellend beheer Beheer kan effi ciënter en met hogere kwaliteit

Proactief en voorspellend beheer Beheer kan effi ciënter en met hogere kwaliteit Proactief en voorspellend beheer Beheer kan effi ciënter en met hogere kwaliteit Beheer kan efficiënter en met hogere kwaliteit Leveranciers van beheertools en organisaties die IT-beheer uitvoeren prijzen

Nadere informatie

Cover Page. The handle holds various files of this Leiden University dissertation.

Cover Page. The handle  holds various files of this Leiden University dissertation. Cover Page The handle http://hdl.handle.net/1887/29764 holds various files of this Leiden University dissertation. Author: Takes, Frank Willem Title: Algorithms for analyzing and mining real-world graphs

Nadere informatie

Hoorcollege 1 datavisualisatie 21-11-12

Hoorcollege 1 datavisualisatie 21-11-12 Hoorcollege 1 21-11-12 docenten! http://vimeo.com/31244010#at=10 hoorcollege 1 introductie HVA CMD V2 21 november 2012!! justus sturkenboom! j.p.sturkenboom@hva.nl! yuri westplat! y.westplat@hva.nl! vandaag

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

Business Process Management

Business Process Management Business Process Management Prof. dr. Manu De Backer Universiteit Antwerpen Katholieke Universiteit Leuven Hogeschool Gent Wat is een bedrijfsproces? Een verzameling van (logisch) gerelateerde taken die

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

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

In 3 stappen naar de juiste keuze voor marketing software

In 3 stappen naar de juiste keuze voor marketing software In 3 stappen naar de juiste keuze voor marketing software 4orange, 2014 Hogehilweg 24 1101 CD Amsterdam Zuidoost www.4orange.nl 2 Hoe kunnen de juiste keuzes voor marketing software gemaakt worden? In

Nadere informatie

Release datum: 11 juni 2012

Release datum: 11 juni 2012 Highlights 1 HSExpert versie 5.2 Begin juni is versie 5.2 van HSExpert gereleased. In versie 5.2 zijn vooral wijzigingen op het RiAxion (Arbo) dossier doorgevoerd. Daarnaast zijn er wat kleinere wijzigingen

Nadere informatie

Het belang van. Data Modellering. GEMINIT Training. Data Modellering. Frédéric BARBIER

Het belang van. Data Modellering. GEMINIT Training. Data Modellering. Frédéric BARBIER Het belang van Data Modellering Studiedag Informatiemanagement Politeia, 22 februari 2013, Gent Open data en de cloud: een revolutie in de informatiehuishouding van de overheid Training Data Modellering

Nadere informatie

Cover Page. The handle http://hdl.handle.net/1887/29754 holds various files of this Leiden University dissertation

Cover Page. The handle http://hdl.handle.net/1887/29754 holds various files of this Leiden University dissertation Cover Page The handle http://hdl.handle.net/1887/29754 holds various files of this Leiden University dissertation Author: Cao, Lu Title: Biological model representation and analysis Issue Date: 2014-11-20

Nadere informatie

Business Risk Management? Dan eerst data op orde!

Business Risk Management? Dan eerst data op orde! Business risk management? Dan eerst data op orde! Kwaliteit, leveringsbetrouwbaarheid, klantgerichtheid, kostenbewustzijn en imago zijn kernwaarden in de bedrijfsvoering die door nutsbedrijven hartelijk

Nadere informatie

Proces to model en model to execute

Proces to model en model to execute Proces to model en model to execute Een end-to-end (bedrijfs)proces (figuur 1) is het geheel van activiteiten die zich, op een bepaalde plaats door een bepaalde rol, in bepaalde volgorde opvolgen en waarvan

Nadere informatie

UvAInform FNWI pilot COACH 2

UvAInform FNWI pilot COACH 2 UvAInform FNWI pilot COACH 2 Aanvragers: Bert Bredeweg (IvI, FNWI, UvA) 2 Natasa Brouwer (ESC, FNWI, UvA) Andre Heck (KdV, FNWI, UvA) Datum: versie 14 11 24 3 1. Inleiding algemeen De FNWI gaat drie onderzoeken

Nadere informatie

In 3 stappen naar de juiste keuze voor marketing software

In 3 stappen naar de juiste keuze voor marketing software In 3 stappen naar de juiste keuze voor marketing software 4orange, 2014 Hogehilweg 24 1101 CD Amsterdam Zuidoost www.4orange.nl 2 Hoe kunnen de juiste keuzes voor marketing software gemaakt worden? In

Nadere informatie

Bedrijfsprocessen theoretisch kader

Bedrijfsprocessen theoretisch kader Bedrijfsprocessen theoretisch kader Versie 1.0 2000-2009, Biloxi Business Professionals BV 1. Bedrijfsprocessen Het procesbegrip speelt een belangrijke rol in organisaties. Dutta en Manzoni (1999) veronderstellen

Nadere informatie

Hoofdstuk 2: Aan de slag

Hoofdstuk 2: Aan de slag Hoofdstuk 2: Aan de slag 2.0 Introductie Hoofdstuk 1: De PowerPoint interface, beschrijft de verschillende onderdelen van de PowerPoint interface. Dit hoofdstuk leert de basis toepassingen van het gebruik

Nadere informatie

Onderzoeksopzet. Marktonderzoek Klantbeleving

Onderzoeksopzet. Marktonderzoek Klantbeleving Onderzoeksopzet Marktonderzoek Klantbeleving Utrecht, september 2009 1. Inleiding De beleving van de klant ten opzichte van dienstverlening wordt een steeds belangrijker onderwerp in het ontwikkelen van

Nadere informatie

Continuous auditing and continuous monitoring: continuous solutions? J. Jacobs en M. Hoetjes

Continuous auditing and continuous monitoring: continuous solutions? J. Jacobs en M. Hoetjes Continuous auditing and continuous monitoring: continuous solutions? J. Jacobs en M. Hoetjes Introductie Jacco Jacobs E-mail: jacco.jacobs@nl.ey.com Internet: www.ey.com Meta Hoetjes E-mail: meta.hoetjes@csi4grc.com

Nadere informatie

Microsoft Excel. It s all about Excel - VBA

Microsoft Excel. It s all about Excel - VBA X Microsoft Excel Stap in de wereld van Visual Basic for Applications (VBA) binnen het Microsoft Office programma Excel. Leer hoe deze programmeertaal precies in elkaar zit en hoe u deze in de dagelijkse

Nadere informatie

Bedrijfsproces-Architectuur

Bedrijfsproces-Architectuur Bedrijfsproces-Architectuur Methoden en Richtlijnen in de Praktijk HET NUT VAN PROCES-ARCHITECTUUR Bij het in kaart brengen van de processen in een organisatie, speelt een groot aantal vragen. Het zijn

Nadere informatie

Samenvatting Nederlands

Samenvatting Nederlands Samenvatting Nederlands 178 Samenvatting Mis het niet! Incomplete data kan waardevolle informatie bevatten In epidemiologisch onderzoek wordt veel gebruik gemaakt van vragenlijsten om data te verzamelen.

Nadere informatie

Welkom bij funda in business

Welkom bij funda in business Welkom bij funda in business Maandelijks staan 250.000 bezoekers open voor úw aanbod! Presenteer uw commercieel vastgoed op funda in business. Dat geeft u volop voordeel: Uw aanbod staat op de grootste

Nadere informatie

AFO 142 Titel Aanwinsten Geschiedenis

AFO 142 Titel Aanwinsten Geschiedenis AFO 142 Titel Aanwinsten Geschiedenis 142.1 Inleiding Titel Aanwinsten Geschiedenis wordt gebruikt om toevoegingen en verwijderingen van bepaalde locaties door te geven aan een centrale catalogus instantie.

Nadere informatie

Minor Data Science (NIOC april)

Minor Data Science (NIOC april) Minor Data Science 2015-2016 (NIOC 2015-23 april) Tony Busker, Jan Kroon en Sunil Choenni (Instituut voor Communicatie, Media- en Informatietechnologie, Hoegeschool Rotterdam) Sunil Choenni en Mortaza

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

SOCIAL INFORMATION SYSTEM

SOCIAL INFORMATION SYSTEM De SIS is een tool die oplossingen biedt voor uitdagingen en vragen in de wijk. Het product is vooral sterk in het verbinden van belangen. Zo stelt het organisaties in staat makkelijk en efficiënt met

Nadere informatie

Big Data. Gaat het iets voor de zorg betekenen? Dr N.S. Hekster 18 maart 2015. Big Data in de Zorg. 2015 IBM Corporation

Big Data. Gaat het iets voor de zorg betekenen? Dr N.S. Hekster 18 maart 2015. Big Data in de Zorg. 2015 IBM Corporation Big Data Gaat het iets voor de zorg betekenen? Dr N.S. Hekster 18 maart 2015 1 Introductie Spreker Nicky Hekster Technical Leader Healthcare & LifeSciences IBM Nederland BV Johan Huizingalaan 765 1066

Nadere informatie

15 Mate van dekkingsgraad, een eerste aanzet tot baten

15 Mate van dekkingsgraad, een eerste aanzet tot baten 15 Mate van dekkingsgraad, een eerste aanzet tot baten Sanneke van der Linden Sinds 2007 organiseert M&I/Partners de ICT Benchmark Ziekenhuizen. Op hoofdlijnen zijn de doelstellingen en aanpak van de ICT

Nadere informatie

Mijn kennismaking met SAP BusinessObjects Cloud

Mijn kennismaking met SAP BusinessObjects Cloud Door Maarten Kooijman, November 2016? Mijn kennismaking met SAP BusinessObjects Cloud Op dit moment zijn er veel nieuwe ontwikkelingen op het gebied van cloud analytics en business intelligence. Eén van

Nadere informatie

Centrale label management systemen

Centrale label management systemen Centrale label management systemen Data-driven versus layout-driven label management Datum: 03-november-2010 Auteur: Jack de Hamer M.Sc. Versie: 2.1 Status: Final Pagina 1 van 7 Introductie Simpel gezegd

Nadere informatie

HR Analytics Dr. Sjoerd van den Heuvel

HR Analytics Dr. Sjoerd van den Heuvel HR Analytics Dr. Sjoerd van den Heuvel » Wat is HR Analytics? (en wat niet)» HR Analytics Hoe doe je dat?» Predictive analytics De heilige graal van HRM?» Klaar om te starten met (échte) HR Analytics?

Nadere informatie

Masterclass Value of Information. Waarde creëren voor de business

Masterclass Value of Information. Waarde creëren voor de business Masterclass Value of Information Waarde creëren voor de business Informatie en informatietechnologie maken het verschil bij de ontwikkeling van nieuwe business ideeën. Met informatie kunnen nieuwe innovatieve

Nadere informatie

De klant centraal. Het veranderende communicatielandschap in de financiële sector CANON BUSINESS SERVICES

De klant centraal. Het veranderende communicatielandschap in de financiële sector CANON BUSINESS SERVICES De klant centraal Het veranderende communicatielandschap in de financiële sector CANON BUSINESS SERVICES Om een duidelijk beeld te krijgen van de factoren die de komende drie jaar van invloed zijn op de

Nadere informatie

artikel SUSTAINGRAPH TECHNISCH ARTIKEL

artikel SUSTAINGRAPH TECHNISCH ARTIKEL SUSTAINGRAPH TECHNISCH ARTIKEL SUSTAINGRAPH is een Europees project, gericht (op het verbeteren van) de milieuprestaties van Europese Grafimediabedrijven binnen de productlevenscyclus van hun grafimedia

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

Resultaten Onderzoek September 2014

Resultaten Onderzoek September 2014 Resultaten Onderzoek Initiatiefnemer: Kennispartners: September 2014 Resultaten van onderzoek naar veranderkunde in de logistiek Samenvatting Logistiek.nl heeft samen met BLMC en VAViA onderzoek gedaan

Nadere informatie

APPENDIX 3. Visueel voetmodel ter simulatie van voetkinematica aan de hand van planetaire drukdata (Friso Hagman)

APPENDIX 3. Visueel voetmodel ter simulatie van voetkinematica aan de hand van planetaire drukdata (Friso Hagman) APPENDIX 3. Visueel voetmodel ter simulatie van voetkinematica aan de hand van planetaire drukdata (Friso Hagman) 1. Introductie De doelstelling van het SIMKINPRES-project is het ontwikkelen van een klinisch

Nadere informatie

Guideline End state. ING colour balance

Guideline End state. ING colour balance End state. 1 1 Customer Data Award voor ING De ING-case is een zeer aansprekend voorbeeld van implementatiekracht en innoverend vermogen. Daarnaast illustreert ING de kracht van het inzetten van meerdere

Nadere informatie

CORA 1.0 Bedrijfs- en ICT-referentiearchitectuur voor woningcorporaties

CORA 1.0 Bedrijfs- en ICT-referentiearchitectuur voor woningcorporaties CORA 1.0 Bedrijfs- en ICT-referentiearchitectuur voor woningcorporaties Hoe zorgen we ervoor dat we nieuwe diensten en producten soepel in onze bedrijfsvoering op kunnen nemen? Hoe geven we betere invulling

Nadere informatie

DEEL I KENNISMANAGEMENT: INLEIDING EN TOEPASSINGSGEBIEDEN

DEEL I KENNISMANAGEMENT: INLEIDING EN TOEPASSINGSGEBIEDEN DEEL I KENNISMANAGEMENT: INLEIDING EN TOEPASSINGSGEBIEDEN 2. Kennis...6 2.1 Definitie... 6 2.2 Gezichtspunten ten aanzien van kennis... 9 3. Kennismanagement...16 3.1 Definitie...16 3.2 Belang van kennismanagement...18

Nadere informatie

Cover Page. The handle holds various files of this Leiden University dissertation.

Cover Page. The handle  holds various files of this Leiden University dissertation. Cover Page The handle http://hdl.handle.net/1887/29716 holds various files of this Leiden University dissertation. Author: Schraagen, Marijn Paul Title: Aspects of record linkage Issue Date: 2014-11-11

Nadere informatie

BRP-BZM Business Rule Guidelines

BRP-BZM Business Rule Guidelines BRP-BZM Business Rule Guidelines Versie 2.0 02-09-2011 Definitef Versiehistorie Datum Versie Omschrijving Auteur November 1.0 Eerste versie Eric Lopes Cardozo 2011 22-7-2011 1.1 Nette variant van business

Nadere informatie

#doorbraakmetmkb #doorbraakmetbigdata. High Performance Computing, Data Science & Data Storage solutions

#doorbraakmetmkb #doorbraakmetbigdata. High Performance Computing, Data Science & Data Storage solutions #doorbraakmetmkb #doorbraakmetbigdata High Performance Computing, Data Science & Data Storage solutions Overzicht Introductie - SURFsara en het bedrijfsleven - Type vraagstukken - SURFsara ICT Infractructuur

Nadere informatie

Real Time Monitoring & Adaptive Cyber Intelligence SBIR13C038

Real Time Monitoring & Adaptive Cyber Intelligence SBIR13C038 Real Time Monitoring & Adaptive Cyber Intelligence SBIR13C038 Opgericht 2010 Ervaring >10 jaar Expertise Forensisch gegevensonderzoek Anomalie detectie Behavioral profiling SBIR Partners TNO Texar Data

Nadere informatie

Michael Christianen. Vakdag Dialogue & Digital Marketing Rotterdam, 7 oktober 2010. Een roadmap voor personalisatie van de klant-interactie

Michael Christianen. Vakdag Dialogue & Digital Marketing Rotterdam, 7 oktober 2010. Een roadmap voor personalisatie van de klant-interactie Michael Christianen Vakdag Dialogue & Digital Marketing Rotterdam, 7 oktober 2010 Een roadmap voor personalisatie van de klant-interactie Welke rol gaat personalisatie spelen in de interactie tussen klant

Nadere informatie

Internet of Everything (IoE) Top 10 inzichten uit de Value at Stake-analyse (Analyse potentiële waarde) van IoE voor de publieke sector door Cisco

Internet of Everything (IoE) Top 10 inzichten uit de Value at Stake-analyse (Analyse potentiële waarde) van IoE voor de publieke sector door Cisco Internet of Everything (IoE) Top 10 inzichten uit de Value at Stake-analyse (Analyse potentiële waarde) van IoE voor de publieke sector door Cisco Joseph Bradley Christopher Reberger Amitabh Dixit Vishal

Nadere informatie

Tactisch plannen Peter de Haan

Tactisch plannen Peter de Haan Tactisch plannen Peter de Haan Even voorstellen U Peter de Haan Universiteit Twente Toegepaste Wiskunde ORTEC Sen. Solution Architect 2 Agenda Wat is tactisch plannen Voorbeelden van tactisch plannen Hoe

Nadere informatie

Dutch summary. Nederlandse samenvatting. Een bijdrage aan de grijp-puzzel

Dutch summary. Nederlandse samenvatting. Een bijdrage aan de grijp-puzzel Dutch summary Nederlandse samenvatting Een bijdrage aan de grijp-puzzel Mensen kunnen op allerlei manieren van elkaar verschillen. Sommige mensen hebben kleine handen, andere juist grote, sommige mensen

Nadere informatie

Last but not least. Hoofdstuk 35. Bijlagen

Last but not least. Hoofdstuk 35. Bijlagen Last but not least Hoofdstuk 35 Bijlagen V1.2 / 01 februari 2016 Geen copyright! MCTL is in licentie gegeven volgens een Creative Commons Naamsvermelding 3.0 Nederland licentie. Gebaseerd op een werk van

Nadere informatie

Van Samenhang naar Verbinding

Van Samenhang naar Verbinding Van Samenhang naar Verbinding Sogeti Page 2 VAN SAMENHANG NAAR VERBINDING Keuzes, keuzes, keuzes. Wie wordt niet horendol van alle technologische ontwikkelingen. Degene die het hoofd koel houdt is de winnaar.

Nadere informatie

Meerkeuzevragen (40 punten) Vraag Antwoord Verwijzing naar vindplaats in studiemateriaal

Meerkeuzevragen (40 punten) Vraag Antwoord Verwijzing naar vindplaats in studiemateriaal Antwoordmodel Aan dit antwoordmodel kunnen geen rechten worden ontleend. Het antwoordmodel dient als indicatie voor de corrector. Meerkeuzevragen (40 punten) Vraag Antwoord Verwijzing naar vindplaats in

Nadere informatie

SAMENVATTING. Het onderzoek binnen deze thesis bespreekt twee onderwerpen. Het eerste onderwerp, dat

SAMENVATTING. Het onderzoek binnen deze thesis bespreekt twee onderwerpen. Het eerste onderwerp, dat SAMENVATTING Het onderzoek binnen deze thesis bespreekt twee onderwerpen. Het eerste onderwerp, dat beschreven wordt in de hoofdstukken 2 tot en met 6, heeft betrekking op de prestaties van leerlingen

Nadere informatie

Strategische Issues in Dienstverlening

Strategische Issues in Dienstverlening Strategische Issues in Dienstverlening Strategisch omgaan met maatschappelijke issues Elke organisatie heeft issues. Een definitie van de term issue is: een verschil tussen de verwachting van concrete

Nadere informatie

Managementinformatiesysteem

Managementinformatiesysteem Managementinformatiesysteem (aanvulling bij hele boek) Het opzetten van een managementinformatiesysteem Wanneer je een werkstuk moet maken, bijvoorbeeld over de houding van de Nederlanders ten opzichte

Nadere informatie

process mapping, waarom?

process mapping, waarom? process mapping 1 process mapping, waarom? systeem van bedrijfsprocessen, mensen, middelen, wetgeving centraal stellen samenhang tussen alle aspecten processen wetgeving systemen informatie documentatie

Nadere informatie

RISICOMANAGEMENT BIJ WONINGCORPORATIES

RISICOMANAGEMENT BIJ WONINGCORPORATIES Together you make the difference RISICOMANAGEMENT BIJ WONINGCORPORATIES Deel 1 van een drieluik over het belang van goed risicomanagement in de corporatiesector Auteur Drs. Frank van Egeraat RC. Frank

Nadere informatie

Een Project Management model. Wat is IASDEO?

Een Project Management model. Wat is IASDEO? Een Project Management model Project Management betekent risico s beheersen, voldoen aan allerlei vereisten, klanten tevreden stellen, beslissingen nemen, producten leveren, activiteiten coördineren, inputs

Nadere informatie

Cover Page. The handle http://hdl.handle.net/1887/19772 holds various files of this Leiden University dissertation.

Cover Page. The handle http://hdl.handle.net/1887/19772 holds various files of this Leiden University dissertation. Cover Page The handle http://hdl.handle.net/1887/19772 holds various files of this Leiden University dissertation. Author: Bertens, Laura M.F. Title: Computerised modelling for developmental biology :

Nadere informatie

4.1 Simulatie in de analysefase

4.1 Simulatie in de analysefase 1 Bijlage 4 Simulatietechnieken Simulatie is een toetstechniek waarmee door middel van het nabootsen van een bepaalde situatie (bijvoorbeeld een herontworpen bedrijfsproces) in een afgeschermde omgeving

Nadere informatie

TIG THE IMPEMENTATION GROUP BUSINESS INTELLIGENCE: VIND HET VERHAAL ACHTER DE DATA

TIG THE IMPEMENTATION GROUP BUSINESS INTELLIGENCE: VIND HET VERHAAL ACHTER DE DATA TIG THE IMPEMENTATION GROUP BUSINESS INTELLIGENCE: VIND HET VERHAAL ACHTER DE DATA BUSINESS INTELLIGENCE Hoeveel docenten staan onbevoegd voor de klas? Hoe zien de vaksecties er over drie tot vijf jaar

Nadere informatie

Whitepaper. Veilig de cloud in. Whitepaper over het gebruik van Cloud-diensten deel 1. www.traxion.com

Whitepaper. Veilig de cloud in. Whitepaper over het gebruik van Cloud-diensten deel 1. www.traxion.com Veilig de cloud in Whitepaper over het gebruik van Cloud-diensten deel 1 www.traxion.com Introductie Deze whitepaper beschrijft de integratie aspecten van clouddiensten. Wat wij merken is dat veel organisaties

Nadere informatie

Data Driven Defensie. Kooy Symposium 2016 AI en Big Data. Prof.dr. Paul C. van Fenema. Nederlandse Defensie Academie

Data Driven Defensie. Kooy Symposium 2016 AI en Big Data. Prof.dr. Paul C. van Fenema. Nederlandse Defensie Academie Data Driven Defensie Prof.dr. Paul C. van Fenema Kooy Symposium 2016 AI en Big Data Nederlandse Defensie Academie Niet noodzakelijkerwijs opinie van het Ministerie van Defensie hicago Telefoonlijn 311

Nadere informatie

Figuur 1. Schematisch overzicht van de structuur van het twee-stadia recourse model.

Figuur 1. Schematisch overzicht van de structuur van het twee-stadia recourse model. Samenvatting In dit proefschrift worden planningsproblemen op het gebied van routering en roostering bestudeerd met behulp van wiskundige modellen en (numerieke) optimalisatie. Kenmerkend voor de bestudeerde

Nadere informatie

Praktijkinstructie Oriëntatie op de informatie-analyse 4 (CIN08.4/CREBO:50131)

Praktijkinstructie Oriëntatie op de informatie-analyse 4 (CIN08.4/CREBO:50131) instructie Oriëntatie op de informatie-analyse 4 (CIN08.4/CREBO:50131) pi.cin08.4.v2 ECABO, 1 september 2003 Alle rechten voorbehouden. Niets uit deze uitgave mag worden vermenigvuldigd, overgenomen, opgeslagen

Nadere informatie

Management briefing Drie factoren die bepalend zijn voor leveringsketenflexibiliteit

Management briefing Drie factoren die bepalend zijn voor leveringsketenflexibiliteit Management briefing Drie factoren die bepalend zijn voor leveringsketenflexibiliteit Doe mee aan deze korte quiz en ontdek of uw leveringsketen alles heeft om uw bedrijf te laten floreren SUPPLY CHAIN

Nadere informatie

datavisualisatie Stappen 14-12-12 verzamelen en opschonen analyseren van data interpeteren hoorcollege 4 visualisatie representeren

datavisualisatie Stappen 14-12-12 verzamelen en opschonen analyseren van data interpeteren hoorcollege 4 visualisatie representeren Stappen datavisualisatie hoorcollege 4 visualisatie HVA CMD V2 12 december 2012 verzamelen en opschonen analyseren van data interpeteren representeren in context plaatsen 1 "Ultimately, the key to a successful

Nadere informatie

LoopbaanIndicator. Voor een duurzame loopbaanplanning

LoopbaanIndicator. Voor een duurzame loopbaanplanning LoopbaanIndicator Voor een duurzame loopbaanplanning 1. Inleiding LoopbaanIndicator wordt ingezet om alle relevante waarden rondom menselijke inzetbaarheid gestructureerd en genormeerd in kaart te brengen,

Nadere informatie

SAP Risk-Control Model. Inzicht in financiële risico s vanuit uw SAP processen

SAP Risk-Control Model. Inzicht in financiële risico s vanuit uw SAP processen SAP Risk-Control Model Inzicht in financiële risico s vanuit uw SAP processen Agenda 1.Introductie in Risicomanagement 2.SAP Risk-Control Model Introductie in Risicomanagement Van risico s naar intern

Nadere informatie

Samenvatting Impliciet leren van kunstmatige grammatica s: Effecten van de complexiteit en het nut van de structuur

Samenvatting Impliciet leren van kunstmatige grammatica s: Effecten van de complexiteit en het nut van de structuur Samenvatting Impliciet leren van kunstmatige grammatica s: Effecten van de complexiteit en het nut van de structuur Hoewel kinderen die leren praten geen moeite lijken te doen om de regels van hun moedertaal

Nadere informatie

Agenda-items maken Auteur : Reint Endendijk Versie : 1.0 Datum : 22 juni 2010

Agenda-items maken Auteur : Reint Endendijk Versie : 1.0 Datum : 22 juni 2010 Auteur : Reint Endendijk Versie : 1.0 Datum : 22 juni 2010 2 In de module Agenda & Planning onderscheiden we drie typen agenda-items. Algemene agenda-items Planning-items Afspraak-items In de maandagenda

Nadere informatie

Denken in processen. Peter Matthijssen. Business Model Innovation. Business Process Management. Lean Management. Enterprise Architecture

Denken in processen. Peter Matthijssen. Business Model Innovation. Business Process Management. Lean Management. Enterprise Architecture Denken in processen Peter Matthijssen Introductie BiZZdesign Consultancy Training Tools Best practices Business Model Innovation Business Process Management Lean Management Enterprise Architecture Wereldwijd

Nadere informatie

Workshop 12 ART-DECOR en Acute overdracht. Michael Tan Kai Heitmann Maarten Ligtvoet

Workshop 12 ART-DECOR en Acute overdracht. Michael Tan Kai Heitmann Maarten Ligtvoet Workshop 12 ART-DECOR en Acute overdracht Michael Tan Kai Heitmann Maarten Ligtvoet 22 november 2012 Topics Aanpak en visie Perinatologie Michael Tan Uitleg Acute Overdracht in ART-DECOR Kai Heitmann Faciliteren

Nadere informatie

Oude Wijn in nieuwe zakken? Inleiding Kennismanagement bij Het Overleg

Oude Wijn in nieuwe zakken? Inleiding Kennismanagement bij Het Overleg Oude Wijn in nieuwe zakken? Inleiding Kennismanagement bij Het Overleg Drs. Bart van der Meij Groningen, 30 mei 2002 Kennis, wat is dat? Kennis: Het vermogen dat iemand in staat stelt een bepaalde taak

Nadere informatie

NEUROMOTOR TASK TRAINING

NEUROMOTOR TASK TRAINING NEUROMOTOR TASK TRAINING Hulp aan bewegingszwakke kinderen vanuit een wetenschappelijk fundament. Cursuscoördinator Theo de Groot Neuromotor task training (NTT) is een wetenschappelijk onderbouwde behandelmethode

Nadere informatie

Strategisch Risicomanagement

Strategisch Risicomanagement Commitment without understanding is a liability Strategisch Risicomanagement Auteur Drs. Carla van der Weerdt RA Accent Organisatie Advies Effectief en efficiënt risicomanagement op bestuursniveau Risicomanagement

Nadere informatie

math inside Model orde reductie

math inside Model orde reductie math inside Model orde reductie Model orde reductie Met het voortschrijden van de rekenkracht van computers en numerieke algoritmen is het mogelijk om steeds complexere problemen op te lossen. Was het

Nadere informatie

BUSINESS INTELLIGENCE

BUSINESS INTELLIGENCE BUSINESS INTELLIGENCE IT is peoples business Inhoudsopgave 1 HET TEAM 2 ONZE DIENSTEN 3 BI VOLWASSENHEIDS MODEL 4 DE NIVEAUS Start klein Groei Professionaliseer Wees bepalend Voor meer informatie of een

Nadere informatie

EXAPLOG en EXAPILOT Geavanceerde Operator Assistentie Tools. Analyseer de DCS-historiek om uw efficiëntie te verbeteren

EXAPLOG en EXAPILOT Geavanceerde Operator Assistentie Tools. Analyseer de DCS-historiek om uw efficiëntie te verbeteren EXAPLOG en EXAPILOT Geavanceerde Operator Assistentie Tools Als aanvulling op de krachtige en flexibele Centum-familie van DCS-systemen, levert Yokogawa de Advanced Operation Assistance - of AOA -softwarepakketten.

Nadere informatie

ABN AMRO Project: Conceptueel model hypothekendomein

ABN AMRO Project: Conceptueel model hypothekendomein Opdrachtformulering Het opstellen van een kennismodel van het hypothekendomein middels de conceptuele analyse met CogNIAM. Dit kennismodel staat los van enige technische benadering en vervult de spilfunctie

Nadere informatie

NEDERLANDSE SAMENVATTING

NEDERLANDSE SAMENVATTING NEDERLANDSE SAMENVATTING Analyse van chromosomale afwijkingen in gastrointestinale tumoren In het ontstaan van kanker spelen vele moleculaire processen een rol. Deze processen worden in gang gezet door

Nadere informatie

Canonieke Data Modellering op basis van ArchiMate. Canonieke Data Modellering op basis van Archimate Bert Dingemans

Canonieke Data Modellering op basis van ArchiMate. Canonieke Data Modellering op basis van Archimate Bert Dingemans Canonieke Data Modellering op basis van ArchiMate Canonieke Data Modellering op basis van Archimate Bert Dingemans Abstract Modelleren op basis van de open standard ArchiMate is een goed uitgangspunt voor

Nadere informatie

V-model is anno 20NU

V-model is anno 20NU Het V-model is een modellering van een voortbrengingsproces, van wens tot en met een oplossing. Het wordt veel toegepast in de IT maar is niet alleen toepasbaar op IT projecten. Het V-model helpt inzicht

Nadere informatie

PROJECT INTERACTIEVE MULTIMEDIA ASSIGNMENT 4 BESCHRIJVING

PROJECT INTERACTIEVE MULTIMEDIA ASSIGNMENT 4 BESCHRIJVING PROJECT INTERACTIEVE MULTIMEDIA ASSIGNMENT 4 Maarten Hoogendoorn mhn296 Eric Nieuwenhuijsen enn430 BESCHRIJVING Voor opdracht 2 willen wij een interactief videospel maken dat gebruik maakt van de data

Nadere informatie

KnowMan Een Case-Based Reasoning Tool

KnowMan Een Case-Based Reasoning Tool KnowMan Een Case-Based Reasoning Tool Software Review L.A. Plugge Onlangs kreeg ik ter evaluatie het softwarepakket KnowMan van de firma Intellix toegestuurd. KnowMan is een case-based reasoning tool,

Nadere informatie

Architecture Governance

Architecture Governance Architecture Governance Plan van aanpak Auteur: Docent: Stijn Hoppenbrouwers Plaats, datum: Nijmegen, 14 november 2003 Versie: 1.0 Inhoudsopgave 1. INLEIDING... 3 2. PROBLEEMSTELLING EN DOELSTELLING...

Nadere informatie

ALL-CRM Gebruikershandleiding AC-DataCumulator

ALL-CRM Gebruikershandleiding AC-DataCumulator ALL-CRM Gebruikershandleiding AC-DataCumulator Author: Bas Dijk Date: 23-04-2013 Version: v1.2 Reference: 2013, All-CRM 1 Inhoudsopgave 1 Inhoudsopgave 2 2 Inleiding 3 3 Gebruikershandleiding Windows Forms

Nadere informatie

De toekomst van consultancy

De toekomst van consultancy De toekomst van consultancy Course Assignment Management Consulting 5 oktober 2013 Teska Koch 2518936 Teska.koch@hotmail.com Word count: 1.510 Een kijkje in de glazen bol: Wat is de toekomst van consultancy?

Nadere informatie

Betreft: Voorstellen scripties 2011-2012. Contactpersonen: Nick Cremelie nick.cremelie@tomtom.com Pascal Clarysse pascal.clarysse@tomtom.

Betreft: Voorstellen scripties 2011-2012. Contactpersonen: Nick Cremelie nick.cremelie@tomtom.com Pascal Clarysse pascal.clarysse@tomtom. Zuiderpoort Office Park Gaston Crommenlaan 4 bus 0501 B-9050 Gent Belgium Phone : +(32) 9 244 88 11 Fax : +(32) 9 222 74 12 www.tomtom.com Betreft: Voorstellen scripties 2011-2012 Contactpersonen: Nick

Nadere informatie

Presentatie Rapportage Met SAP Business Objects

Presentatie Rapportage Met SAP Business Objects Presentatie Rapportage Met SAP Business Objects Verzorgd door: Camille van Dongen, itelligence Fouad Allabari, i3 Woerden 4 februari 2011 Agenda Voorstellen itelligence & i3 Business Intelligence SAP Business

Nadere informatie

Master in de toegepaste economische wetenschappen: Handelsingenieur in de Beleidsinformatica

Master in de toegepaste economische wetenschappen: Handelsingenieur in de Beleidsinformatica 2017-2018 Master in de toegepaste economische wetenschappen: Handelsingenieur in de Beleidsinformatica TROEVEN 1 2 3 EEN OPLEIDING MET TOEKOMST KIEZEN VOOR INNOVATIE EEN VEELZIJDIGE OPLEIDING Je kiest

Nadere informatie

EXPLORE!THE STORY DE KRACHT VAN HET VERHAAL

EXPLORE!THE STORY DE KRACHT VAN HET VERHAAL EXPLORE!THE STORY DE KRACHT VAN HET VERHAAL AUTEUR: MASJA NOTENBOOM INHOUD EXPLORE!THESTORY, DE KRACHT VAN HET VERHAAL WANNEER EXPLORE!THESTORY? HOE WERKT EXPLORE!THESTORY? VOORDELEN EXPLORE!THESTORY 3

Nadere informatie

Belangrijke wijzigingen HKZ-normen

Belangrijke wijzigingen HKZ-normen Belangrijke wijzigingen HKZ-normen door wijzigingen in ISO 9001:2015 Belangrijke wijzigingen HKZ-normen Op 15 september 2015 is de nieuwe ISO 9001:2015 gepubliceerd. Een groot aantal HKZ-normen is ISO-compatibel.

Nadere informatie

KIM. Slimme acties ondernemen

KIM. Slimme acties ondernemen KIM Slimme acties ondernemen CONTROLE KWIJT? Herkent u dit soort ervaringen ook? Uw organisatie heeft allerlei systemen in huis, maar Niemand weet echt meer hoe het systeem exact werkt Voor kleine wijzigingen

Nadere informatie

De Taxonomie van Bloom Toelichting

De Taxonomie van Bloom Toelichting De Taxonomie van Bloom Toelichting Een van de meest gebruikte manier om verschillende kennisniveaus in te delen, is op basis van de taxonomie van Bloom. Deze is tussen 1948 en 1956 ontwikkeld door de onderwijspsycholoog

Nadere informatie

Definitielijst. abrupte discontinuïteit te verklaren aan de hand van meerdere geleidelijke discontinuïteiten.

Definitielijst. abrupte discontinuïteit te verklaren aan de hand van meerdere geleidelijke discontinuïteiten. Abrupte discontinuïteit Een discontinuïteit die zeer plotseling optreedt. Dit gebeurt zo snel dat het systeem niet meer kan stabiliseren. Een abrupte discontinuïteit wordt ook wel een wildcard genoemd.

Nadere informatie

Controle over domotica Plan van aanpak

Controle over domotica Plan van aanpak Controle over domotica Plan van aanpak April 2005 Student Naam: Studentnr: 0249440 E-mail: bas@tonissen.com Radboud Universiteit Nijmegen Begeleider: Gert Veldhuijzen van Zanten Inhoudsopgave 1 Inleiding...

Nadere informatie

Afstudeeropdracht bachelor informatica

Afstudeeropdracht bachelor informatica Webgebaseerde ontsluiting loggegevens van IDEAS Afstudeeropdracht bachelor informatica David Beniers, Anand Mandhre, Michiel van Kempen Bastiaan Heeren, Harold Pootjes Inhoud Opdracht IDEAS Aanpak Taakverdeling

Nadere informatie

Autobiografisch geheugen in longitudinaal perspectief

Autobiografisch geheugen in longitudinaal perspectief Samenvatting Autobiografisch geheugen in longitudinaal perspectief Stabiliteit en verandering in gerapporteerde levensgebeurtenissen over een periode van vijf jaar Het belangrijkste doel van dit longitudinale,

Nadere informatie