VISUAL ANALYTICS. Ondernemingen kunnen hun besluiten automatiseren met. Decision-managementsystemen
|
|
- Veerle de Ridder
- 8 jaren geleden
- Aantal bezoeken:
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 (broeksem@lippmann.lu) 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 Gestart in November 2007 Consultants zijn ervaren met bedrijfsprocessen en met Business Intelligence Alle expertise onder 1 dak voor een succesvolle
Nadere informatiesmartops people analytics
smartops people analytics Introductie De organisatie zoals we die kennen is aan het veranderen. Technologische ontwikkelingen en nieuwe mogelijkheden zorgen dat onze manier van werken verandert. Waar veel
Nadere informatieProactief 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 informatieCover 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 informatieDATAMODELLERING BEGRIPPENBOOM
DATAMODELLERING BEGRIPPENBOOM Inleiding In dit whitepaper wordt de datamodelleervorm begrippenboom inclusief de begrippenlijst beschreven. Deze modelleervorm staat in verhouding tot een aantal andere modelleervormen.
Nadere informatieBegrippenlijst 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 informatieSummary in Dutch 179
Samenvatting Een belangrijke reden voor het uitvoeren van marktonderzoek is het proberen te achterhalen wat de wensen en ideeën van consumenten zijn met betrekking tot een produkt. De conjuncte analyse
Nadere informatieHoofdstuk 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 informatieIN 4 STAPPEN NAAR EEN DATAGEDREVEN ORGANISATIE ALLES WAT JE MOET WETEN VOOR EEN SUCCESVOLLE DATA TRANSFORMATIE
IN 4 STAPPEN NAAR EEN DATAGEDREVEN ORGANISATIE ALLES WAT JE MOET WETEN VOOR EEN SUCCESVOLLE DATA TRANSFORMATIE 2019 WHITEPAPER INHOUDSOPGAVE Stap 1: Inzicht in veranderende databehoeftes 04 Stap 2: Controleren
Nadere informatie4orange 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 informatieDATAMODELLERING ARCHIMATE DATAMODELLERING
DATAMODELLERING ARCHIMATE DATAMODELLERING Inleiding In dit whitepaper wordt de datamodelleervorm ArchiMate datamodellering beschreven. Deze modelleervorm staat in verhouding tot een aantal andere modelleervormen.
Nadere informatieSociale en culturele factoren in evacuatie simulaties. Dr. Natalie van der Wal
Sociale en culturele factoren in evacuatie simulaties Dr. Natalie van der Wal Uit de praktijk blijkt dat weinig mensen direct overgaan tot actie als het brandalarm afgaat. Het zal wel een oefening zijn,
Nadere informatieBusiness 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 informatieHet 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 informatieBIG DATA: OPSLAG IN DE CLOUD
BIG DATA & ANALYTICS BIG DATA: OPSLAG IN DE CLOUD FLEXIBEL EN SCHAALBAAR BEHEER VAN ENORME HOEVEELHEDEN INFORMATIE IN GROTE ORGANISATIES EFFICIËNT EN SCHAALBAAR OMGAAN MET INFORMATIE-EXPLOSIE De hoeveelheid
Nadere informatieLiving Labs : NFI & RvdK Samen onderweg naar meer grip op data. JenV I-tour presentatie 24 april 2018
Living Labs : NFI & RvdK Samen onderweg naar meer grip op data JenV I-tour presentatie 24 april 2018 1 Agenda Deel I - door Jannie RvdK Intermezzo filmpje I-plan JenV Deel II door Femke en Xandra NFI KInD
Nadere informatieHoorcollege 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 informatieIn 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 informatieBedrijfsproces-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 informatieBusiness 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 informatieBusiness Workflow innovaties in SAP S/4 HANA
Business Workflow innovaties in SAP S/4 HANA Op dit moment vindt er wereldwijd een technologie gebaseerde bedrijfsrevolutie plaats die op het eerste gezicht geen grenzen kent. Met zeer grote snelheid worden
Nadere informatieBRP-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 informatieCover 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 informatieOnderzoeksopzet. 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 informatieWHITEPAPER RAPPORTAGETOOLS DIE ECHT WERKEN DOOR ERIK VENEMA
WHITEPAPER RAPPORTAGETOOLS DIE ECHT WERKEN DOOR ERIK VENEMA Rapportagetools die echt werken Data komt in een organisatie uit alle hoeken en gaten binnen. En van buiten af volgt er nog misschien nog meer
Nadere informatieInvloed 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 informatieBedrijfsprocessen 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 informatieEen 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 informatieConceptueel Modelleren GEÏNTEGREERD DATA MODELLEREN MET DEMO EN DATA VAULT
Conceptueel Modelleren GEÏNTEGREERD DATA MODELLEREN MET DEMO EN DATA VAULT Introductie Wineke Sloos BSc Taal & Kunstmatige Intelligentie @ Tilburg University MSc Information Management @ Tilburg University
Nadere informatieGEDRAGSMANAGEMENT. Inleiding. Het model. Poppe Persoonlijk Bas Poppe: 06 250 30 221 www.baspoppe.nl info@baspoppe.nl
GEDRAGSMANAGEMENT Dit kennisitem gaat over gedrag en wat er komt kijken bij gedragsverandering. Bronnen: Gedragsmanagement, Prof.dr. Theo B. C. Poiesz, 1999; Samenvatting boek en college, A.H.S. Poppe,
Nadere informatieProces 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 informatieRelease 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 informatieModul-Fleet OPTIMALISATIE VAN HET WAGENPARKBEHEER. I can help! Ordered 3 items. Can t serve last client. Running late!
Modul-Fleet OPTIMALISATIE VAN HET WAGENPARKBEHEER I can help! Ordered 3 items Can t serve last client Running late! Modul-Fleet OPTIMALISATIE VAN HET WAGENPARKBEHEER Wilt u beter inspelen op de groeiende
Nadere informatieAnaloge elementen voor effectieve proces voering
Analoge elementen voor effectieve proces voering 27 oktober 2015 Zonder context geen informatie Ondanks de enorme ontwikkeling in de proces automatisering afgelopen decennia, is weinig veranderd op het
Nadere informatieDATAMODELLERING DATA FLOW DIAGRAM
DATAMODELLERING DATA FLOW DIAGRAM Inleiding In dit whitepaper wordt de datamodelleervorm data flow diagram beschreven. Deze modelleervorm staat in verhouding tot een aantal andere modelleervormen. Wil
Nadere informatieIn 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 informatieDatavisualisatie De kracht van visueel communiceren
2-daagse training Datavisualisatie De kracht van visueel communiceren Initiatief en organisatie In samenwerking met Wat leert u in deze training? De voor- en nadelen van de verschillende datavisualisatievormen;
Nadere informatieBijlage 4C. Request for Comments T-link filter. Inleiding
Request for Comments T-link filter Inleiding Alle partijen deelnemend aan SBR hebben belang bij een visie en een daarop aansluitende releasekalender met voorgenomen wijzigingen in de taxonomie. Het SBR
Nadere informatieCover Page. The handle holds various files of this Leiden University dissertation.
Cover Page The handle http://hdl.handle.net/1887/39638 holds various files of this Leiden University dissertation. Author: Pelt D.M. Title: Filter-based reconstruction methods for tomography Issue Date:
Nadere informatieRecognition and Detection of Objects Using Visual and Textual Cues S. Karaoğlu
Recognition and Detection of Objects Using Visual and Textual Cues S. Karaoğlu Samenvatting Met dit proefschrift richten we onze aandacht op object herkenning en detectie voor een beter begrip in afbeeldingen.
Nadere informatieExcel 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 informatieSTRATAEGOS CONSULTING
STRATAEGOS CONSULTING EXECUTIE CONSULTING STRATAEGOS.COM WELKOM EXECUTIE CONSULTING WELKOM BIJ STRATAEGOS CONSULTING Strataegos Consulting is een strategie consultancy met speciale focus op strategie executie.
Nadere informatieModelleren van roosterwensen
Modelleren van roosterwensen Samenvatting Dit document biedt een model waarmee gestructureerde roosters kunnen worden opgesteld. Voor de roosters die aan de hand van dit model zijn opgezet is het technisch
Nadere informatieCover Page. The handle http://hdl.handle.net/1887/33081 holds various files of this Leiden University dissertation.
Cover Page The handle http://hdl.handle.net/1887/33081 holds various files of this Leiden University dissertation. Author: Stettina, Christoph Johann Title: Governance of innovation project management
Nadere informatieUitkomsten onderzoek Controle en Vertrouwen. 7 mei 2012
Uitkomsten onderzoek Controle en Vertrouwen 7 mei 2012 Voorwoord Onderwerp: resultaten onderzoek Controle en Vertrouwen Geachte heer, mevrouw, Hartelijk dank voor uw medewerking aan het onderzoek naar
Nadere informatieONTZORG DE ZORGPROFESSIONAL DOOR VIRTUALISATIE
IT MANAGEMENT & OPTIMIZATION ONTZORG DE ZORGPROFESSIONAL DOOR VIRTUALISATIE E-BOOK DE STAP NAAR EEN TOEKOMST- BESTENDIGE EN DUURZAME BASIS Virtualiseren is in veel disciplines een populaire term. Het is
Nadere informatiePetri-netten in Protos: wat moet je ermee?
Petri-netten in Protos: wat moet je ermee? Dr.ir. Hajo Reijers Faculteit Technologie Management, TU Eindhoven e-mail: h.a.reijers@tm.tue.nl Agenda Petri-netten klein beetje geschiedenis wat is het nou
Nadere informatieManagement 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 informatieEen introductie (0) Een introductie (0)
www.valueblue.nl +31 (0) 30 75 08 954 info@valueblue.nl Een introductie info@valueblue.nl Een introductie www.valueblue.nl +31 (0) 30 75 08 954 Waar is winst te behalen? Elk bedrijfsproces maakt gebruik
Nadere informatieCORA 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 informatieNederlandse samenvatting (Summary in Dutch)
Nederlandse samenvatting (Summary in Dutch) 159 Ouders spelen een cruciale rol in het ondersteunen van participatie van kinderen [1]. Participatie, door de Wereldgezondheidsorganisatie gedefinieerd als
Nadere informatieHello, are we your marketing analytics partner?
Hello, are we your marketing analytics partner? Travel Energy Vergroot het marktaandeel in de specifieke product categorieen door de effectiviteit te optimaliseren van het acquisitie budget. Analiseer
Nadere informatieGuideline 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 informatieSOCIAL 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 informatieMeerkeuzevragen (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 informatieContinuous 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 informatieBegrippenlijst Inzicht in de wereld van big data, marketing en analyse
Begrippenlijst Inzicht in de wereld van big data, marketing en analyse 4orange, 2017 Hogehilweg 24 1101 CD Amsterdam Zuidoost www.4orange.nl 2 Inhoud Achtergrond & Aanleiding... 3 A... 3 B... 3 C... 3
Nadere informatie15 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 informatieCombinatorische Algoritmen: Binary Decision Diagrams, Deel III
Combinatorische Algoritmen: Binary Decision Diagrams, Deel III Sjoerd van Egmond LIACS, Leiden University, The Netherlands svegmond@liacs.nl 2 juni 2010 Samenvatting Deze notitie beschrijft een nederlandse
Nadere informatieHoofdstuk 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 informatieVan 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 informatieStrategische 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 informatieWorkshop 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 informatiecase: toestandsdiagrammen
Hoofdstuk 13 case: toestandsdiagrammen In dit hoofdstuk wordt het maken van de eerste versie van de toestandsdiagrammen voor het boodschappensysteem van Hans en Jacqueline uitgewerkt. 13.1 Vind klassen
Nadere informatieBig 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 informatieUvAInform 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 informatieAan de Schrans in Leeuwarden is één van de meest opvallende orthodontiepraktijken. van Noord-Nederland gevestigd. Daarin werkt
Aan de Schrans in Leeuwarden is één van de meest opvallende orthodontiepraktijken van Noord-Nederland gevestigd. Daarin werkt orthodontist Daniël van der Meulen samen met veertien assistentes intensief
Nadere informatieALL-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 informatieDATAMODELLERING TOEPASSEN DATA ANALYTICS
DATAMODELLERING TOEPASSEN DATA ANALYTICS Inleiding In dit whitepaper wordt een toepassingsgebied beschreven voor datamodellering. Een toepassing is een werkveld op het vlak van architectuur of modellering
Nadere informatieEEN LEAR N I NG ANALYTICS S ER VI CE JOHAN JEUR ING
EEN LEAR N I NG ANALYTICS S ER VI CE JOHAN JEUR ING INTRODUCTIE De opdrachtgever voor dit project is Johan Jeuring, van het departement Informatica van de Universiteit Utrecht, namens het projectteam van
Nadere informatieDe 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 informatieTIG 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 informatieDe cloud die gebouwd is voor uw onderneming.
De cloud die gebouwd is voor uw onderneming. Dit is de Microsoft Cloud. Elke onderneming is uniek. Van gezondheidszorg tot de detailhandel, van fabricage tot financiële dienstverlening: geen twee ondernemingen
Nadere informatieSamenvatting 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 informatieCover 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 informatieMasterclass 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 informatieDEEL 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 informatieUtrecht Business School
Cursus Customer Relationship Management De cursus Customer Relationship Management (CRM) duurt ongeveer 2 maanden en omvat 5 colleges van 3 uur. U volgt de cursus met ongeveer 10-15 studenten op een van
Nadere informatieAFO 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 informatieWorkshop voorbereiden Authentieke instructiemodel
Workshop voorbereiden Authentieke instructiemodel Workshop voorbereiden Uitleg Start De workshop start met een echte, herkenbare en uitdagende situatie. (v.b. het is een probleem, een prestatie, het heeft
Nadere informatieTactisch 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 informatieToekomstbestending maken van selectie tool Rekening houdend met strikte privacy wetgeving
Toekomstbestending maken van selectie tool Rekening houdend met strikte privacy wetgeving Kurt.Merchiers@colruytgroup.com Functioneel Analist Roel.Van.Assche@sas.com Consultant Agenda Vervanging van de
Nadere informatieMicrosoft 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 informatieKickstart Architectuur. Een start maken met architectuur op basis van best practices. Agile/ TOGAF/ ArchiMate
Kickstart Architectuur Een start maken met architectuur op basis van best practices. Agile/ TOGAF/ ArchiMate Context schets Net als met andere capabilities in een organisatie, is architectuur een balans
Nadere informatiemath 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 informatieWelkom 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 informatieABN 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 informatieReal 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 informatieDutch 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 informatieQlik Sense Healthcare. Document 16052
Qlik Sense Healthcare Document 16052 Inhoud 1. Introductie... 3 1.1 Qlik Sense... 3 1.2 Qlik Sense Healthcare... 3 1.3 Qlik Sense als product... 3 2 Overview healthcare module... 4 2.1 De opbouw van de
Nadere informatieGroeikansen met (big) data. Workshop 26 november 2014
Groeikansen met (big) data Workshop 26 november 2014 Overal data 2 Overal data Verdergaande digitalisering 3,6 device per persoon 51% gebruikt tablet Bijna 90% dagelijks internet Internet of Things 3 Maar
Nadere informatieRapportgegevens Marketing en sales potentieel test
Rapportgegevens Marketing en sales potentieel test Respondent: Jill Voorbeeld Email: voorbeeld@testingtalents.nl Geslacht: vrouw Leeftijd: 39 Opleidingsniveau: wo Vergelijkingsgroep: Normgroep marketing
Nadere informatieHoofdstuk 3: Cardiovasculaire toestandsveranderingen in gesimuleerde werkomgevingen
Een inspirerende nieuwe fase in het onderzoek naar mens-computer interactie heeft zich aangediend met het ontstaan van adaptieve automatisering. Binnen dit onderzoeksgebied worden technologische systemen
Nadere informatieThe Color of X-rays. Spectral Computed Tomography Using Energy Sensitive Pixel Detectors E.J. Schioppa
The Color of X-rays. Spectral Computed Tomography Using Energy Sensitive Pixel Detectors E.J. Schioppa Samenvatting Het netvlies van het oog is niet gevoelig voor deze straling: het oog dat vlak voor het
Nadere informatieMinor 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 informatieInternet 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 informatieHR 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 informatieartikel 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 informatieSTORAGE AUTOMATION IT MANAGEMENT & OPTIMIZATION DATAGROEI DE BAAS MET EXTREEM BEHEERGEMAK DOOR AUTOMATISERING EN VIRTUALISATIE
IT MANAGEMENT & OPTIMIZATION STORAGE AUTOMATION DATAGROEI DE BAAS MET EXTREEM BEHEERGEMAK DOOR AUTOMATISERING EN VIRTUALISATIE EEN EFFECTIEVE EN KOSTENEFFICIËNTE OPLOSSING VOOR DATAGROEI De druk op systeembeheerders
Nadere informatieRapport D R004 Silence 3. Gebruikershandleiding. Status: DEFINITIEF
Rapport D.2005.1407.00.R004 Silence 3 Gebruikershandleiding Status: DEFINITIEF Rapportnummer: D.2005.1407.00.R004 Plaats en datum: Den Haag, 07 Januari 2014 Versie: 015 Status: DEFINITIEF Opdrachtgever:
Nadere informatie