Funktioner i företags data mining-verktyg

Storlek: px
Starta visningen från sidan:

Download "Funktioner i företags data mining-verktyg"

Transkript

1 EXAMENSARBETE 2004:201 SHU Funktioner i företags data mining-verktyg LARS GUSTAVSSON PONTUS ÖSTERHOLM Samhällsvetenskapliga och ekonomiska utbildningar Institutionen för Industriell ekonomi och samhällsvetenskap Avdelningen för Systemvetenskap SYSTEMVETENSKAPLIGA PROGRAMMET C-NIVÅ Data- och Systemvetenskap Vetenskaplig handledare: Alf Töyrä 2004:201 ISSN: ISRN: LTU - SHU - EX / SE

2 Förord Förord Denna C-uppsats är skriven på Data och systemvetenskapliga sektionen vid Luleå tekniska universitet. Detta är det sista steget i vår strävan att nå kandidatexamen i Data och systemvetenskap. Vi vill börja med att tacka vår handledare Alf Töyrä för hans hjälp under hela uppsatsskrivandet. Vi vill även tacka alla andra lärare på institutionen som har läst vår uppsats till seminarier och som varit till stor nytta. Ett stort tack går även ut till de respondenter som vi fått intervjua, att de verkligen tog sig tid till att svara på våra frågor. Till sist vill vi ge ett Stort tack till Anna Lindström och Linda Öhman, för att de hjälpt oss att hitta referenser, korrekturläst vår uppsats och som varit ett tillförlitligt stöd genom hela arbetet. Mycket nöje.

3 Sammanfattning Sammanfattning I denna uppsats undersöker vi vilka funktioner som är implementerade i företags data mining-verktyg. De funktioner vi undersöker, är sådana vi identifierat i litteratur. I uppsatsen beskriver vi vad ett datalager är och vi beskriver även mer ingående vad data mining är. Fallstudien har skett genom kvalitativa djupintervjuer med respondenter från fyra olika organisationer, där respondenterna arbetar som expertanvändare av verktygen. Slutsatsen som vi kommit fram till är att verktygen inte har alla funktioner, som vi identifierat, implementerade och att funktionerna skiljer sig mycket mellan företagens verktyg.

4 Abstract Abstract In this essay we examine which functions are implemented in corporation s data mining tools. The functions we examine are those that we have identified in the literature. The essay describes what a Data Warehouse is and more thoroughly, it describes what Data Mining means. The case study has been conducted through qualitative deep-interview with respondents from four different organizations, where the respondents work as super users at their tool. Our conclusion is that the tools do not have all the identified functions implemented and that the functions differ a lot between the companies tools.

5 Innehållsförteckning 1 INLEDNING BAKGRUND FORSKNINGSFRÅGA SYFTE AVGRÄNSNINGAR 2 2 METOD FORSKNINGSANSATS FORSKNINGSMETOD FALLSTUDIE LITTERATURSTUDIER ANALYSMETOD 5 3 TEORI DATALAGER VAD KAN ETT DATALAGER GÖRA BEGRÄNSNINGAR HOS ETT DATALAGER DATA MINING DATA MININGS RÖTTER EN GENERELL SYN PÅ DATA MINING FÖRBEREDA INFRASTRUKTUREN MÖNSTERANALYS MÖNSTERTOLKNING EXPLOATERING TVÅ OLIKA STILAR AV DATA MINING RIKTAD DATA MINING ORIKTAD DATA MINING DATA MININGTEKNIKER KLASSIFICERING ASSOCIERING SEKVENS KLUSTER VISUALISERINGSMETODER ANVÄNDNING AV DATA MINING FÖR ATT LÖSA SPECIFIKA PROBLEM FÖRBÄTTRADE MARKNADSFÖRINGSKAMPANJER FÖRBÄTTRADE OPERATIONELLA PROCEDURER DATA MININGS PROCESSCYKEL IDENTIFIERA RÄTT AFFÄRSPROBLEM TRANSFORMERA DATA TILL HANDLINGSBARA RESULTAT ANVÄNDA RESULTATEN OLAP MOLAP INTELLIGENT DATA MINING ÖVERVAKAD INLÄRNING BEGRÄNSNINGAR HOS DATA MINING SAMMANFATTNING AV IDENTIFIERADE FUNKTIONER 22

6 Innehållsförteckning 4 EMPIRI FÖRETAGSPRESENTATION TULLVERKET NORRBOTTENS LÄNS LANDSTING SSAB OXELÖSUND FÖRENINGSSPARBANKEN SAMMANSTÄLLNING AV INTERVJUFRÅGOR STÖDJER VERKTYGET AD HOC FRÅGOR OCH HUR SKAPAS DESSA I SÅ FALL? HAR VERKTYGET STÖD FÖR ATT IDENTIFIERA MÖNSTER I DATALAGRET OCH KLARAR DET ATT GÖRA DETTA AUTOMATISKT? VAD HAR VERKTYGET FÖR VISUALISERINGSMÖJLIGHETER? VISAR VERKTYGET SANNOLIKHETEN ATT DESS ANALYSER STÄMMER? GÅR DET ATT SE HUR VERKTYGET ANVÄNDER MODELLER FÖR ATT GÖRA ANALYSER? FÖRBÄTTRAR VERKTYGET MODELLERNA ITERATIVT? KAN VERKTYGET GÖRA NÅGRA FÖRUTSÄGANDE ANALYSER? SAMMANFATTNINGSTABELL ÖVER VARJE FÖRETAGS VERKTYGS FUNKTIONER 28 5 ANALYS AD HOC IDENTIFIERA MÖNSTER GOD VISUALISERING SANNOLIKHET ÅSKÅDLIGGÖRA MODELLER FÖRBÄTTRA MODELLER ITERATIVT FÖRUTSÄGANDE ANALYSER 30 6 SLUTSATS OCH DISKUSSION SLUTSATS RESULTATDISKUSSION METODDISKUSSION FORTSATT FORSKNING 33 7 KÄLLFÖRTECKNING 34 Bilaga A - Ordlista

7 Inledning 1 Inledning Data mining och datalager är termer som allt fler företag kommer i kontakt med idag när de strävar efter att utveckla sin organisation. Det finns en mängd olika verktyg för att hantera datalager och göra analyser. Vi vill med denna uppsats undersöka, genom intervjuer, vilka funktioner som dagens företag har i sina data mining-verktyg, utan att ta hänsyn till vilket verktyg det är de använder. Vi har i denna uppsats försökt att använda oss av svensk terminologi. Data warehouse, som är ett vanligt begrepp bland data mining, har vi valt att kalla datalager efter svenska språknämndens rekommendation. I uppsatsen finns ett antal ord som är markerade med kursiv stil, detta är ord som vi har förklarat i en ordlista som återfinns i Bilaga A i slutet av uppsatsen 1.1 Bakgrund Datalager är något företag satsar mer och mer resurser på och som sprider sig snabbt i hela landet och i resten av världen. Data mining är en självklar aktivitet mot ett datalager och det finns en mängd olika data mining-verktyg med en mängd olika funktioner att använda när det är dags att analysera företagets lagrade data. (Marakas, 2003) Berry och Linoff (2000) poängterar att data mining i sig inte bara är ett verktyg, utan att data mining är en process som innehåller ett antal kritiska steg, där valet av verktyg endast är ett av dessa steg. Varför har då data mining ökat i popularitet de senaste åren? Berry och Linoff (2000) menar att detta är på grund av den explosionsartade ökningen av data som företag producerar idag. I mitten av 1900-talet hade inte ens de största företagen i världen mer än en knapp megabyte data sparat, i form av anteckningar, faktureringsböcker och arkiv. De största företagen i dag har databaser vars utrymme mäts i terrabytes. Detta är en data mängds ökning på över 100,000 gånger och den största anledningen till denna extrema ökning är det stegrande användandet av datorer och automatiska rutiner. För att kunna analysera dessa mängder data, har behovet av kraftiga analysverktyg, data mining-verktyg uppkommit. Även Marakas (2003) menar att den största anledningen till varför data mining har blivit ett såpass hett ämne som det faktiskt är idag, beror på den enorma ökning av företagsdata som företag idag producerar. Han menar även att människans brister i att hantera data, lockar företag till att använda data mining för att analysera sina enorma mängder data. Ytterligare en anledning till varför popularitet kring data mining ökar, anser Marakas vara att data mining-verktyg börjat arbeta mer självständigt och automatiserat, med bland annat lärande maskiner, som jobbar mycket billigare än den armé av högbetalda statistiker som det skulle behövas för att utföra liknande analyser. Dock är inte människans roll helt utspelad ännu, då vi fortfarande behövs för att avgöra om verktygens analyser och slutsatser är av relevans för företaget eller inte. Det finns som sagt en mängd olika verktyg från flera olika leverantörer och när ett företag väljer data mining-verktyg, finns mängder av aspekter att titta på. Verktygen skiljer sig ofta ganska mycket från varandra och varje verktyg har styrkor och svagheter. Styrkorna och svagheterna hos verktygen ligger oftast i - 1 -

8 Inledning vilka funktioner verktygen klarar av och hur verktyget använder sig av dessa. (Barry & Linoff, 2000) Tillverkare av data mining-verktyg har ofta ett stort antal funktioner, som köpare kan välja på, till sina verktyg. (www.sas.com:2, Med denna uppsats ska vi undersöka vilka funktioner som företag har valt implementera i sina data mining-verktyg. Anledningen till att vi vill undersöka detta är för att se hur pass långt företag kommit i sin utveckling av data mining. Vi anser även att genom denna undersökning kommer vi att få fram intressant information om vilka slags funktioner det är som är vanligast förekommande hos företag i deras data mining-verktyg. I litteraturen nämns inget om vilka funktioner som bör ingå i ett data miningverktyg, där beskrivs alla funktioner likvärdigt. Däremot nämns vissa funktioner mer frekvent i litteraturen. På grund av detta har vi valt att göra en undersökning på de funktioner som är mest förekommande i den litteratur vi har läst. 1.2 Forskningsfråga Vilka data mining-funktioner har företag implementerade? 1.3 Syfte Syftet med denna undersökning är att ge en bild över data mining-funktioner, som företag har valt att implementera. Vi ska ur litteratur identifiera ett antal funktioner som ett data mining verktyg kan ha. Vi ska även undersöka om de identifierade funktionerna finns implementerade hos företag, samt undersöka om funktionerna faktiskt används av företagen. Denna uppsats riktas mot företag som idag använder data mining och vill utveckla den verksamheten, samt företag som planerar ett införande av data mining i sin verksamhet. Vi anser de har nytta av denna uppsats då den ger en god beskrivning av data mining och dess möjligheter, samt att den visar på vilka funktioner företag valt att implementera och vilka av dessa som används. Vi anser också att uppsatsen är intressant för alla som är intresserade av att lära sig om data mining. 1.4 Avgränsningar Vi har valt att avgränsa oss till ett antal funktioner som vi identifierat i teorin och vi kommer inte att titta på andra eventuella funktioner som företagens verktyg kan komma att ha. Vi avgränsar från att ta hänsyn till vilket data mining-verktyg företagen använder sig av. Vår empiriska avgränsning är att företagen ska använda verktygen dagligen och att respondenterna är insatta i sitt företags alla användningsområden för verktyget

9 Metod 2 Metod För att på ett systematiserat sätt undersöka verkligheten använder vi oss utav en metod. Här nedan kommer vi beskriva den metod vi valt att använda oss av i denna undersökning. Detta är för att läsaren ska kunna bedöma våra resultat och själva utvärdera trovärdigheten. Den hantverksmässiga sidan av uppsatsskrivande kallas för metod. Det är den lära om vilka instrument som kan användas för att samla in den behövda informationen. Information som samlas in brukar kallas för data eller fakta. De data som har samlats in kallas för empiri, som kommer ifrån det grekiska ordet emperia, där peria betyder försök eller prövning. (Halvorsen, 1992) 2.1 Forskningsansats Det finns ett antal olika undersökningsmetoder, explorativa, deskriptiva och hypotesprövande (Patel, 2003). Vi anser att den metod som passar bäst för denna uppsats bäst är den deskriptiva undersökningsmetoden. Med en deskriptiv metod innebär det att undersökningen är beskrivande (Ibid.). I vårt fall kommer vi först att beskriva teorin och sedan kommer vi med hjälp av fallstudier beskriva verkligheten. I en deskriptiv undersökning kan de framtagna beskrivningarna vara dåtida eller nutida. Här begränsas undersökningen till de delar av ämnet som är av intresse. Beskrivningarna av de olika aspekterna är väldigt noggranna och grundliga, där varje aspekt kan beskrivas var för sig, men det kan även förekomma beskrivningar av samband av olika aspekter. Vid deskriptiva studier förekommer oftast endast en datainsamlingsmetod (Patel, 2003). 2.2 Forskningsmetod Ordet kvalitativ står för kvaliteter, det är alltså egenskaper eller framträdande drag hos något. När en kvalitativ metod används handlar det om att det är något som ska karaktäriseras. I kvalitativa metoder spelar mätningen en underordnad roll, med det menas att siffror inte är det väsentliga för analysen. Detta är vad som skiljer kvalitativa metoder från kvantitativa. Dock är det svårt att göra en undersökning helt utan att använda mängdavvikelser, vilket gör att det ofta förekommer även i kvalitativa undersökningar. I kvalitativa metoder är det texten som är det centrala uttryckssättet och arbetsmaterialet. Detta kan tyckas underligt då fallstudier sker på miljöer, personer och händelser, men eftersom att det är forskarens anteckningar i form av text som ligger till grund för den fortsatta analysen, är det texten som blir det centrala. Ett kännetecken för kvalitativ metod är dess flexibilitet. I en kvantitativ undersökning får inte frågeställning ändras mellan intervjuerna, då anses det att resultaten inte går att jämföra. Däremot i en kvalitativ undersökning är det inga problem att formulera om frågorna mellan intervjuerna, då samma frågeställning anses kunnas tolkas olika av olika personer och att det är helt i sin ordning att utnyttja information som erhålls av en tillfällighet. Intervjuerna i sig är även flexibla, då många följdfrågor kan ställas med grund av de svar som erhålls av de förberedda frågorna. (Repstad, 1999) - 3 -

10 Metod Vi har valt att använda oss av en kvalitativ metod, då vi anser att det är lämpligt eftersom det är egenskaper hos data mining-verktyg, i form av funktioner, som vi ska undersöka och ordet kvalitativ betyder just egenskaper och framträdande drag. Kvalitativ metod passar oss också eftersom att vi kommer att skriva ut våra intervjuer ord för ord. Det är sedan denna text som kommer att ligga till grund för vår analys. Vi tror också att en flexibel forskningsmetod kommer att passa oss bra, då vi tror att vi kommer få mycket ny information under fallstudierna, som kan leda till att vi får möjligheten att modifiera vårt intervjuunderlag Fallstudie Fallstudie innebär att undersökningen görs på en mindre avgränsad grupp. Här kan ett fall vara en individ, en grupp individer, en organisation eller en situation. Det är fritt att studera fler än ett fall om så önskas. Det viktiga här är att få en så täckande information som möjligt och ett bra helhetsperspektiv av fallet. (Patel, 2003) Vi har planerat att genomföra våra fallstudier med kvalitativa intervjuer. Vi ska börja med att ta kontakt med ett antal företag för vilka vi kommer att förklara vad vår uppsats handlar om och att vi vill intervjua personer som dagligen jobbar med data mining och är väl insatta i företagets verktyg. Vi ska välja företag med olika inriktning och olika mål med sin verksamhet för att försöka få en bred bild av hur data mining används inom olika organisationer. När vi fått kontakt med lämpliga personer på företagen, skickar vi ut en mall till dem om vad intervjun skall handla om och mer exakt vad vi vill ha svar på. Anledningen att vi valt kvalitativa intervjuer är för att vi anser att det passar vår uppsats bäst, då vi har en kvalitativ undersökningsmetod. Vi ska spela in intervjuerna på band, för att vi ska kunna koncentrerar oss på vad respondenterna säger och därigenom kunna ställa följdfrågor när det är något extra intressant eller något som vi inte förstår. Vi kommer sedan att skriva ut intervjuerna, i ett ordbehandlingsprogram, i stort sätt ordagrant för att sedan kunna analysera dem. Intervjuerna ska leda till att vi får insikt i hur de jobbar med data mining-verktygen, samt vilka av de funktioner som vi identifierat i litteraturen som verktygen har. I en kvalitativ intervju är temat för intervjun klart och det handlar om att styra respondenten i rätt riktning, dock ska inte ett strikt schema användas för intervjun. Följdfrågor bör ställas för att uppmuntra respondenten att tänka igenom och fördjupa sig i sina svar. Det bör inte vara fasta frågor med fast ordning, utan intervjun bör i största möjliga mån likna ett samtal. Det ska finnas möjlighet att ändra intervjumallen under och efter intervjuer, då olika respondenter kan ha olika möjlighet att svara på frågor. Det är rekommenderat att intervjuhandledningen endast är som en minneslapp för den som intervjuar, för att denne ska komma ihåg alla ämnen som ska tas upp i intervjun. (Repstad, 1999) Litteraturstudier Den litteratur vi har grundat våra teorier på är till stor del hämtad från Luleå tekniska universitets bibliotek. Vi har sökt i LIBRIS och Lucia som är två av bibliotekets databaser. De sökord som vi använt är data mining, data - 4 -

11 Metod warehouse, datalager, dataanalys. Vi har även använt oss av Internet för att slå upp vissa ord som förekommer i litteraturen, men som ej förklaras där Analysmetod Analysen av material kan utföras på olika sätt och det finns inga generella rekommendationer eller regler, utan det viktiga är att klassifikation och analys av materialet sker utifrån frågeställningen. Om problemställning är vag, kan det vara bra att börja med att klassificera materialet efter olika ämnen som förekommer. Det kan göras genom att markera viktiga saker i marginalen och därefter klippa i materialet och sortera upp urklippen efter de olika ämnena. Med hjälp av dataprogram kan textavsnitten få olika kodningar för att på det sättet sortera upp dem, och på det sättet undvika att klippa i papper och sortera dem på det viset. (Repstad, 1999) Vi kommer att utgå från denna metod för att analysera våra insamlade data. Vi kommer att skriva ut våra nerskrivna intervjuer och sedan färgkoda dessa med överstrykningspennor för att sortera dem efter ämne (olika färger på olika ämnen), i vårat fall, efter funktioner. När vi är klara med färgkodningen kommer vi att sammanställa alla ämnen genom att klippa och klistra i ordbehandlaren och på det sättet sortera intervjumaterialet efter funktionerna. Vi kommer sedan att koppla intervjumaterialet till det teoriavsnitt där funktionerna finns beskrivna. Anledningen till att vi valde denna analysmetod är att vi kommer att skriva ut våra intervjuer och därigenom är det lätt att sitta och färgmarkera på papperet de olika ämnena. Vi tror att denna metod passar oss, då våra intervjuer kommer att bli ganska långa och vi räknar med att få med mycket material i dem som inte kommer att vara relevant för vår forskningsfråga. Genom denna analysmetod räknar vi med att lätt kunna sortera ut viktig information ur vårat intervjumaterial

12 Teori 3 Teori I detta avsnitt av uppsatsen beskrivs först datalager och sedan data mining. Denna teori kommer att ligga som grund för det vi redovisar i empiriavsnittet senare i uppsatsen. 3.1 Datalager Ett datalager är en logisk sammanhållen datamängd, som är avsett för analys och som speglar flera tidsperioder genom att data regelbundet hämtas från andra register. Det kan även vara en generell kunskapsbank för en organisation, men det vanligaste är att det är avgränsat till ett fåtal av organisationens verksamhetsområden. (Peter Söderström, 1997) A data warehouse is a copy of transaction data specifically structured for querying, analysis, and reporting. (Marakas, 2003, s.5) Med hjälp av citatet ovan vill Marakas (2003) försöka förklara datalager genom att förtydliga det. För det första säger citatet att ett datalager är en databas som innehåller kopior av transaktionsdata. Det säger även att datalager är en egen separat databas som inte hör ihop med organisationens övriga informationssystem eller databaser. Marakas menar även att data i ett datalager är statiskt, när kopian av en transaktion lagts in i datalagret kommer den inte att ändras däri. Detta ger att ett datalager i allmänhet inte blir mindre, utan har en tendens att växa till enorma proportioner. Ur definitionen ovan kan även utläsas att data i ett datalager är specifikt strukturerat, det innebär att datalagret inte tar hänsyn till hur data lagrats i databaserna som det kopierats ifrån, utan det har sitt eget specifika sätt att lagra data på och sin egen struktur. Till sist går det även att i citatet utläsa syftet med datalager: frågeställning, analys och rapportering. Datalager blir en central repertoar för all organisatorisk data som anses värdefull för utforskning av nya relationer, trender och gömda värden. Datalagret blir den vanligaste fokuseringspunkten för alla som arbetar inom organisationen och som vill lära sig mer om sin verksamhet. (Ibid.) Det finns inga regler som säger vilken struktur ett datalager ska ha, dock ska datalagret följa en struktur och inte blanda flera strukturer. Ett datalager kan alltså vara normaliserat eller icke normaliserat. Det kan även innehålla en relationsdatabas, multidimensionell databas, hierarkisk databas eller en objektdatabas. (Marakas, 2003) Vad kan ett datalager göra Datalager minskar tiden från det att något händer i verksamheten, till att det rapporteras för ledningen. Ett exempel är säljrapporter som skrivs ut en gång i månaden, de brukar vara ledningen till handa ungefär en vecka efter månadsslutet. Detta gör att beslut måste fattas på gammal historisk data. Med ett datalager kan rapporter ges dagligen och det ger beslutsfattare möjlighet att hitta lösningar som de annars hade missat. (Marakas, 2003) - 6 -

13 Teori De olika databaser i en organisation kan ses som ett pussel. Om endast en del av företag är intressant räcker det med att titta på en pusselbit, men om det är en helhetsbild av företaget som är av intresse, måste ett sätt att sammanfoga alla pusselbitar hittas. Med ett datalager sammanfogas alla pusselbitar från företagets olika delar såsom, order, betalning, materialplanering, försäljning och reklamationer. Med ett datalager kan en kunds väg spåras genom hela företaget. Tack vare detta kan ledningen ställa en fråga som: Finns det något samband mellan vart en kund köper en produkt och hur mycket pengar som går åt i supportkostnad? (Marakas, 2003) Eftersom ett datalager innehåller data från flera år bakåt kan man lätt se historiska trender och med hjälp av det förutse framtida trender. Framförallt säsongsbetonade varor är lätt att urskilja med hjälp av ett datalager. (Ibid.) I vanliga informationssystem kan det vara krångligt att dra ut rapporter, ofta krävs att en programmerare skriver ett program för att skapa den rapport som efterfrågas och det kan ta flera veckor. Med ett datalager kan slutanvändaren själv skapa dessa rapporter, eftersom att den själv kan skapa egna ad hoc frågor som ställs mot datalagret. (Ibid.) Begränsningar hos ett datalager Ett datalager kan skapa rapporter på data som finns i datalagret, men det kan aldrig skapa data. Om till exempel den geografiska spridningen av försäljning av en produkt önskar men adresserna över vart produkterna sålts inte finns lagrade, kan ett datalager inte lösa problemet, om inte ett sätt att hämta in den nödvändiga data in i datalagret finns. Ett datalager kan upptäcka att data är smutsig, men för att rätta till det måste det ändras i företagets informationssystem eftersom att det är där som datafångsten sker. (Marakas, 2003) 3.2 Data mining Enligt Marakas (2003) är datalager i dag ett hett ämne för många företag och det hetaste ämnet inom datalager är data mining. Nästan alla företag idag som har ett datalager anser att data mining är framtiden för deras datalager. Data mining är en process för att ur rådata hitta, för organisationen, viktiga affärsrelationer, så kallade mönster. Dessa affärsrelationer ska sedan användas för att förbättra verksamheten, ge stöd åt kritiska beslut och ge organisationen ett övertag gentemot konkurrenter. Ett datalager har flera olika fördelar, men det används som bäst när det används till data mining. Visst kan det tyckas att data mining bara är ett häftigt modeord för dataanalys, men enligt Marakas är det mer än så. Han vill med de två nedanstående punkterna, kortfattat visa på vad data mining egentligen är. (Ibid.) En samling kraftfulla dataanalysverktyg som ska användas för att analysera extremt stora datamängder. Rätt använt kan det hitta mönster och information som ligger djupt begravd i organisationens datalager Data mining är inte ett verktyg, utan en samling av flera verktyg som kan kombineras för att få ut mest möjliga mängd information ur en samling data - 7 -

14 Teori Barry och Linoff (2000) menar att data mining taget ur ett affärssammanhang, handlar om att extrahera meningsfulla mönster och regler ur stora kvantiteter information. De trycker på att detta är väldigt användbart i alla områden där det finns stora mängder data och någonting värt att lära sig. För ett företag är något värt att lära sig, om den resulterade kunskapen är värd mer pengar än vad det kostar att upptäcka den. (Ibid.) 3.3 Data Minings rötter Många tror att data mining är något nytt, men innebörden av ordet har funnits sedan 60-talet då det kallades statistisk analys. De tre företag som då ledde vägen var SAS Institute Inc., SPSS Inc. och IBM, och dessa tre är idag fortfarande väldigt aktiva inom området. Från början innebar statistisk analys rutinerna Correlation, Regression, Chi-square och Cross-tabulation. Dessa tekniker finns fortfarande kvar i dagens moderna data mining. Men data mining har blivit mycket mer än dessa fyra statistiska funktioner, i dag är det mer insiktsfulla och kraftfulla verktyg som kan förklara och förutse data. På 80-talet kom mer kraftfulla tekniker såsom heuristisk resonering och neurala nätverk, dessa kan ses som början till Artificiell Intelligens (AI). (Marakas, 2003) 3.4 En generell syn på data mining Marakas (2003) beskriver fyra övergripande punkter som handlar om data mining. Det börjar med förberedelse av data och slutar med exploatering av nyvunnen information Förbereda infrastrukturen Det första som ska göras är att identifiera och förbereda infrastrukturen. Det är i infrastrukturen som data mining-aktiviteten kommer att ske. Den ska minst bestå av en hårdvaruplattform, en databashanterare och ett eller flera data miningverktyg. Hårdvaruplattformen är ytterst sällan samma som används till organisationens övriga verksamhet. När data flyttas till mining-plattformen förbereds ofta data, det kan handla om att integrera data från olika delar av organisationens verksamhet. En metadatakatalog skapas som innehåller information om data, var det kom ifrån, hur gammalt det är, hur det inhämtades, vilka enheter det representerar och så vidare. Metadatakatalogen fungerar lite som en innehållsförteckning över vad för data som finns. (Marakas, 2003) Mönsteranalys När ett antal mönster har hittats måste varje mönster analyseras. De olika mönstren kommer att ha olika statistiska starkheter och ju starkare de är, desto större är chansen att exploatering av dem kan vara gynnsam, i Figur 1 illustreras hur olika starka relationer kan vara. Om ett mönster inte är starkt idag men blir starkare över tiden, är det en indikation på en framtida förändring och kan hjälpa till att förutse ändringar i marknadsläget. Dock går det inte att bara se till styrkan, ett mönster kan också representera en falsk positiv. Det innebär att den starka relationen mellan två variabler bara är slumpmässig och därför meningslös. Detta uppkommer på grund av att det ofta är stora datamängder som utforskas och att - 8 -

15 Teori viss slumpmässighet då är ofrånkomligt. En tredje aspekt att titta på är om en relation har någon affärssignifikans. Även om det är en stark relation och den inte är en falsk positiv kan det hända att den inte har någon affärssignifikans vilket gör att det inte finns någon användning av relationen. (Marakas, 2003) En perfekt relation En stark relation En svag relation Figur 1: Olika starka relationer (Marakas, 2003, s.24) Mönstertolkning När analyssteget är klart ska mönstren tolkas, utan tolkning är mönstren värdelösa. För att tolka mönstren behövs både teknisk och affärsmässig expertis. Saker som bör tänkas på vid mönstertolkning är: (Marakas, 2003) trender inom verksamheten säsongsbetoning av verksamheten målgruppen vilken mönstret kan appliceras på mönstrets styrka och möjligheten att använda det som grund för framtida behov storleken på målgruppen som mönstret passar in på mönstrets geografiska utsträckning och dess tidsfaktorer såsom dag, vecka, månad och år Exploatering När de övriga faserna är klara är det dags att exploatera mönstret, alltså att verksamheten använder den information de fått på bästa sett. Detta kan göras på olika sätt: (Marakas, 2003) Specifika säljerbjudanden Paketera produkter för att attrahera den tilltänkta målgruppen Introducera nya produkter - 9 -

16 Teori Prissätta produkter på ett ovanligt sätt Marknadsföring riktad mot en viss målgrupp Marakas (2003) menar att det är möjligt att förbereda verksamheten på framtida omställningar baserat på antagen tillväxt hos ett mönster som idag är svagt men beräknas växa med tiden. Det går även se vilka målgrupper och vilka slags människor som hör ihop med olika mönster och därigenom kunna styra sin reklam mot rätt människor. (Ibid.) 3.5 Två olika stilar av data mining Det finns två olika stilar inom data mining. Riktad data mining är en stil där arbetet sker uppifrån och ner, det vill säga att arbetet sker utifrån ett resultat och därefter försöker analytikern förstå varför resultatet blev som det blev. Denna form av data mining kallas ofta för förutsägande modellering, där användaren exakt vet vad det är som ska förutses. Den andra stilen, oriktad data mining, arbetar från andra hållet, det vill säga att arbetet sker genom ett nerifrån och upp tillvägagångssätt. Här får data tala för sig själv. Oriktad data mining hittar mönster i data och låter sedan användaren välja om dessa mönster är relevanta eller inte. Dock används oftas inte bara den ena eller den andra stilen, utan oftast används en blandning av bägge stilar. (Berry & Linoff, 2000) Riktad data mining Riktad data mining arbetar genom en såkallad svart låda modell. Detta illustreras i Figur 2, där pilarna som går mot lådan (som symboliserar data mining-verktyget) är inmatade värden och pilen som kommer ut från lådan är resultatet av de inmatade värdena som analyserats. Här bryr sig användaren inte alls om hur modellen arbetar utan denne är endast intresserad av att få fram bästa möjliga resultat. Detta tillvägagångssätt används när användaren vet vad denna letar efter och när denna kan rikta data mining processen mot ett visst mål. (Berry & Linoff, 2000) Figur 2: Svart låda (Barry & Linoff, 2000, s.41) I vanliga fall används redan tidigare kända exempel, detta skulle kunna vara tänkbara personer till en marknadsföringskampanj som redan har fått ett visst erbjudande. Till dessa personer kopplas den insamlade informationen till okända exempel, såsom som eventuella kandidater som ännu inte blivit kontaktade. En sådan modell kallas för en förutsägande modell då den gör förutsägelser, baserade på historisk data, på okända exempel. Dessa modeller kan svara på frågor som: (Ibid.) Vem kommer troligtvis att svara på vårt nästa erbjudande, baserat på historiken av tidigare marknadsföringskampanjer?

17 Teori Vilken är den bästa medicinska behandlingen, baserat på tidigare erfarenheter? Vilken maskin kommer troligtvis att haverera nästa gång? Vilka kunder kommer troligtvis att sluta vara kunder hos oss, under de närmaste sex månaderna? Vilka transaktioner är troligtvis bedrägerier, baserat på tidigare kända bedrägerier? Förutseende modeller använder sig av erfarenhet för att få fram ett relevant resultat. Med mer relevanta data och med högre erfarenhet fås ett mer trovärdigt resultat. Genom att använda sig av data där resultatet redan är känt, kan modellen tränas för att få fram mer korrekta resultat. Däremot blir aldrig en förutseende modell med 100 % exakthet. De är ändå användningsfulla för beslutsfattaren inom ett företag, när denna ska ta beslut som grundas på stora mängder information. (Berry & Linoff, 2000) Oriktad data mining Då förutsägande modeller används vid sökningar efter kända problem, används oriktad data mining till att upptäcka helt mönster i data mängderna. Dessa mönster bidrar till ny insikt i data organisationen har lagrat och kan visa sig vara väldigt informativa. (Berry & Linoff, 2000) Figur 3: Semitransparent låda (Barry & Linoff, 2000, s.41) Berry och Linoff (2000) har valt att presentera denna form av data mining genom en semitransparent låda, som återges i Figur 3. Till skillnad från den svarta lådan, har användaren här möjligheten att se hur data mining-verktyget arbetar dess val av modeller, algoritmer, variabler, hur beräkningarna sker och så vidare - för att komma fram till ett resultat. Här menar de att det viktiga är att få reda på vad som händer, men dessutom att titta på hur modellen kommer fram till detta. Fast även om data mining-verktyget kan finna mönster och lägga fram beslutsförslag till lösningar, behövs fortfarande människans omdöme för att tolka om resultat är av relevans eller inte. (Ibid.) Advanced algorithms can find patterns in the data, but only people can determine whether the patterns have any significance and what the patters might mean (Barry & Linoff, 2000, s.40) 3.6 Data miningtekniker Medan populariteten för data mining växer med en extrem hastighet, har utvecklingen av nya och innovativa tekniker för att gräva i datalager ökat kraftigt. Tekniker ska inte förväxlas med funktioner, då funktioner använder sig av en eller flera tekniker för att utföra sitt syfte. Många av de nya teknikerna är förbättringar

18 Teori av äldre tekniker, medan några kan klassas som helt innovativa. Men på grund av bristen av standarder bland leverantörer, blir nya innovativa tekniker ofta begränsade till en specifik leverantörs plattform och kan därför inte klassas som en standard inom data mining. På grund av detta har Marakas (2003) valt att sammanfatta de vanligaste teknikerna som används idag, och undvikit specifika leverantörstekniker, till fyra grundläggande teknikkategorier: Klassificering, Association, Sekvens och Kluster. (Ibid.) Klassificering I klassificeringstekniken ingår data mining-processer vars syfte är att identifiera regler som definierar om ett objekt eller en händelse tillhör en särskild klass av data. Denna kategori av tekniker går, enligt Marakas (2003), att bredast appliceras på olika typer av affärsproblem. Tekniken innefattar två subprocesser: (Ibid.) byggandet av en modell klassificeringsförutsägning Anta att ett företag, till exempel, vill titta på tidigare obestämda köpemönster i en kundbas. En klassificeringsmodell kan då skapas för att kartlägga de olika kundernas attribut (ålder, kön, inkomst och så vidare) med olika produktköp (till exempel, lyxiga bilar, konsertbiljetter, kläder och så vidare). Tilldelad ett antal förutsägande attribut, kan modellen användas mot en lista med kunder för att fastställa vilka kunder som troligtvis kommer att göra att speciellt köp den närmaste månaden. Klassificeringsmodellen kan då i fortsättningen användas mot den aktuella kundbasen för att generera listor med lämpliga kunder för riktad reklam genom till exempel, e-postutskick eller telefonförsäljning. Genom att bygga och förbättra en förutsägande modell över affärsproblemet, kan data mining-klassificeringsmetoder oftast ge användbara och väldigt exakta svar på frågor. (Marakas, 2003) Marakas (2003) menar att det generellt kan sägas att klassificeringsmetoder utvecklar modeller som bygger på vanliga OM - SÅ regler. Då tanken är att få insikt i möjliga medlemmar av en klass, är standard ansatsen vid själva klassificering att titta på om medlemmen uppfyller de regler som är förbestämda och därefter placera in medlemmen i en av tre möjliga subklasser: (Ibid.) Exakt regel: Denna regel tillåter inga undantag, det vill säga, varje objekt (i detta fall, varje medlem) uppfyller den regel som är satt till 100 procent i klassen. Denna ansats skapar den högsta sannolikhetsklassen av medlemmar 100 procent sannolikhet. Stark regel: Med denna regel är några undantag, inom en viss radie av regeln, godkända. Den här ansatsen skapar en subklass med en stark sannolikhet medlemmar procent sannolikhet. Sannolikhetsregel: Denna regel hänför villkorliga sannolikheter till sannolikheten. Denna ansats skapar en mätbar sannolikhets subklass av medlemmar X-procent sannolikhet

19 Teori Associering Associeringsteknik, eller länkanalys som det även kallas, genomsöker alla poster eller transaktioner från operationella system efter mönster som med stor sannolikhet kommer att repeteras. Denna teknik resulterar till utvecklingen av en associationsalgoritm som kopplar samman en serie händelser eller föremål med en annan serie händelser eller föremål. De mönster som härleds fram genom algoritmen kan komma att beskrivas som, till exempel, Åttiotre procent av alla poster som innehåller artiklarna A, B och C, innehåller även artiklarna D och E. Den procentsats som presenteras i associeringsalgoritmens resultat, kan beskrivas som regelns trovärdighetsfaktor. (Marakas, 2003) Market basket analysis är ett vanligt exempel på en associeringsmetod. Det är en metod där en detaljhandlare kan gräva i data som genererats av kassaapparaterna i sin detaljhandel. Genom att analysera och jämföra kundens varukorg, det vill säga de varor kunden har betalat för i kassan, med hundratusentals andra varukorgar, kan detaljhandlaren finna samband mellan olika produkter. Exempel på detta skulle kunna vara en regel som säger: Sextionio procent av kunder som handlar läsk, handlar även chips. Denna typ av information kan vara användbar vid placeringen av produkter för att på det sättet få kunden att köpa mer. Detaljhandlaren skulle kunna, från exemplet ovan, sätta upp en chipsreklamskylt vid läskhyllan för att få fler kunder att stoppa ner en chipspåse i varukorgen. Även fast vissa produkter, såsom mjölk och yoghurt, har en självklar samhörighet, kan den data mining-teknik användas mycket lyckat för att hitta mindre självklara, dock inte mindre användningsfulla, samband mellan produkter. (Marakas, 2003) Sekvens Denna teknik går ut på att förutse något genom att titta på olika tidigare händelser. Till exempel att när föräldrar hyr en barnfilm, kommer de inom två veckor handla leksaker som har anknytning till filmen. Detta betyder att en reklambladskampanj för leksaker med anknytning till film borde vara kopplad till en hyrvideobutiks kundlista. Från en typisk sekvensanalys bör ett mönster med händelser, som sker innan en speciell händelse som är av intresse, fås fram. (Marakas, 2003) Kluster Ibland kan det vara väldigt svårt, eller rent av omöjligt att identifiera parametrar för klassificering av data. I sådana fall kan klustermetoden användas. Det handlar om att gruppera data baserat på dess likheter. Ett exempel är om analys av kreditkortsköp vill göras. Med klustermetoden kan då framkomma att affärskort ofta används för att köpa måltider på veckodagarna som har medelkostnad större än 250 dollar och att privata kreditkort som används till måltider oftast används på helgerna och medelkostnaden ligger på 175 dollar, samt att en flaska vin ingår i notan i sextiofem procent av fallen. (Marakas, 2003) 3.7 Visualiseringsmetoder Visualisering innebär att numerisk data konverteras till enkla och överskådliga bilder. Rådata kan komma från en mängd olika källor såsom undersökningar, sattelitfoton, datasimuleringar och så vidare. Rådata av detta slag är ofta

20 Teori svårtolkat på grund av mängden data, att den ofta är komplex och mönstren ej är tydliga. Den mänskliga hjärnan kan hantera stora mängder visuell information och känna igen miljoner olika fysiska objekt. Visualiseringstekniker används för att hjälpa till vid analysering av komplex data genom att koppla fysiska egenskaper till data och därigenom dra nytta av det mänskliga visualiseringssystemet. Exempel på sätt att visualisera data är ljuseffekter, färger, riktningar, storlek, avstånd mellan objekt, hastighet och genomskinlighet. (Marakas, 2003) Även Dunham (2003) påpekar att visualisering är väldigt viktigt för att användaren ska kunna tolka resultat och data som mining-verktyget presenterar, ett exempel på hur detta kan illustreras visas i Figur 4. I vissa fall kan syftet med data mining helt enkelt vara att på ett enkelt sätt beskriva vad som händer i en komplicerad databas på ett sätt som ökar förståelsen för folket, produkterna eller processerna som producerade data från första början. En bra beskrivning av ett beteende leder ofta till en förklaring av "beteendet". Visualisering är ett kraftfullt sätt att beskriva data mining. Det kan vara svårt att hitta meningsfulla visualiseringar, men ibland kan det vara guld värt, då människor är extremt bra på att utvinna "fakta" ur visuella scener. (Barry & Linoff, 2000) Figur 4: Visualisering av ett 3D-stapeldiagram (Marakas, 2003, s.99) 3.8 Användning av data mining för att lösa specifika problem En stor styrka hos data mining är dess breda urval av metodologier som kan appliceras på en problemgrupp. Eftersom data mining är en självklar aktivitet mot ett datalager, är data minings användningsområde till störst del att arbeta mot samtliga datalager, data marts och beslutsstödsområden inom industrier som försäljning, tillverkning, telekommunikation, transportering, försäkring och sjukvård. Inom försäljningsområdet kan data mining användas till att hitta nya försäljningstrender eller till exempel planera investeringsstrategier. Det finns även möjligheter att använda data mining vid förbättring av marknads

Skriv! Hur du enkelt skriver din uppsats

Skriv! Hur du enkelt skriver din uppsats Skriv! Hur du enkelt skriver din uppsats Josefine Möller och Meta Bergman 2014 Nu på gymnasiet ställs högra krav på dig när du ska skriva en rapport eller uppsats. För att du bättre ska vara förberedd

Läs mer

Datalager och datautvinning

Datalager och datautvinning Datalager och datautvinning 1 Datalager och datautvinning! Databaser kan innehålla stora mängder information om ett företags eller en organisations verksamhet" Data kan också användas för att analysera

Läs mer

Checklista. Hur du enkelt skriver din uppsats

Checklista. Hur du enkelt skriver din uppsats Checklista Hur du enkelt skriver din uppsats Celsiusskolans biblioteksgrupp 2013 När du skriver en uppsats är det några saker som är viktiga att tänka på. Det ska som läsare vara lätt att få en överblick

Läs mer

Kvalitativ Analys. Utvärderingsmetoder inom MDI DH2408

Kvalitativ Analys. Utvärderingsmetoder inom MDI DH2408 Kvalitativ Analys Utvärderingsmetoder inom MDI DH2408 Inlämningsuppgift 2 Era gruppinlämningar ligger här framme, leta reda på er egen!!! Jag har godtyckligt gett er ett gruppnummer, referera till det

Läs mer

Beräkning med ord. -hur en dator hanterar perception. Linköpings universitet Artificiell intelligens 2 2010-10-03 Erik Claesson 880816-1692

Beräkning med ord. -hur en dator hanterar perception. Linköpings universitet Artificiell intelligens 2 2010-10-03 Erik Claesson 880816-1692 Beräkning med ord -hur en dator hanterar perception 2010-10-03 Erik Claesson 880816-1692 Innehåll Inledning... 3 Syfte... 3 Kan datorer hantera perception?... 4 Naturligt språk... 4 Fuzzy Granulation...

Läs mer

Anvisningar till rapporter i psykologi på B-nivå

Anvisningar till rapporter i psykologi på B-nivå Anvisningar till rapporter i psykologi på B-nivå En rapport i psykologi är det enklaste formatet för att rapportera en vetenskaplig undersökning inom psykologins forskningsfält. Något som kännetecknar

Läs mer

Exempel på gymnasiearbete inom ekonomiprogrammet juridik

Exempel på gymnasiearbete inom ekonomiprogrammet juridik Exempel på gymnasiearbete september 2012 Exempel på gymnasiearbete inom ekonomiprogrammet juridik Barnets ställning i vårdnadstvister Elevens idé Martin har en idé om att göra sitt gymnasiearbete om barn

Läs mer

Tillämpad experimentalpsykologi [2] Tillämpad experimentalpsykologi [1] Empirisk forskningsansats. Tillämpad experimentalpsykologi [3] Variabler

Tillämpad experimentalpsykologi [2] Tillämpad experimentalpsykologi [1] Empirisk forskningsansats. Tillämpad experimentalpsykologi [3] Variabler Tillämpad experimentalpsykologi [1] Ett tillvägagångssätt för att praktiskt undersöka mänskliga processer Alltså inget forskningsområde i sig! (I motsats till kognitiv, social- eller utvecklingspsykologi.)

Läs mer

Gymnasiearbetets titel (huvudrubrik)

Gymnasiearbetets titel (huvudrubrik) Risbergska skolan Program Gymnasiearbetets titel (huvudrubrik) Underrubrik Titeln på rapporten måste givetvis motsvara innehållet. En kort överrubrik kan förtydligas med en underrubrik. Knut Knutsson BetvetA10

Läs mer

Prognostisering av efterfrågan Konkurrera med hjälp av Affärsanalys

Prognostisering av efterfrågan Konkurrera med hjälp av Affärsanalys Copyright SAS Institute Sweden, november 2008 SAS INSTITUTE AB STORA FRÖSUNDA, BOX 609 169 26 SOLNA TEL: 08-52 21 70 00 FAX: 08-52 21 70 70 WWW.SAS.COM/SWEDEN SAS Institute AB is a subsidiary of SAS Institute

Läs mer

Kursnamn XX poäng 2013-10-15. Rapportmall. Författare: (Skrivs i bokstavsordning om flera) Handledare:

Kursnamn XX poäng 2013-10-15. Rapportmall. Författare: (Skrivs i bokstavsordning om flera) Handledare: Kursnamn XX poäng 2013-10-15 Rapportmall Författare: (Skrivs i bokstavsordning om flera) Handledare: Innehållsförteckning En innehållsförteckning görs i Word när hela arbetet är klart. (Referenser, Innehållsförteckning,

Läs mer

Den gröna påsen i Linköpings kommun

Den gröna påsen i Linköpings kommun Den gröna påsen i Linköpings kommun Metod- PM 4 Thea Eriksson Almgren Problem I Linköping idag används biogas för att driva stadsbussarna. 1 Biogas är ett miljövänligt alternativ till bensin och diesel

Läs mer

Att skriva en vetenskaplig rapport

Att skriva en vetenskaplig rapport Att skriva en vetenskaplig rapport Eventuell underrubrik Förnamn Efternamn Klass Skola Kurs/ämnen Termin Handledare Abstract/Sammanfattning Du skall skriva en kort sammanfattning som är en koncentrerad

Läs mer

Umeå universitetsbibliotek Campus Örnsköldsvik Eva Hägglund HITTA VETENSKAPLIGA ARTIKLAR I KURSEN VETENSKAPLIG TEORI OCH METOD I

Umeå universitetsbibliotek Campus Örnsköldsvik Eva Hägglund HITTA VETENSKAPLIGA ARTIKLAR I KURSEN VETENSKAPLIG TEORI OCH METOD I HITTA VETENSKAPLIGA ARTIKLAR I KURSEN VETENSKAPLIG TEORI OCH METOD I 13 NOVEMBER 2012 Idag ska vi titta på: Sökprocessen: förberedelser inför sökning, sökstrategier Databaser: innehåll, struktur Sökteknik:

Läs mer

KOMMUNIKATIVT LEDARSKAP

KOMMUNIKATIVT LEDARSKAP KOMMUNIKATIVT LEDARSKAP 7, 100, 85, 7 EN ANALYS AV INTERVJUER MED CHEFER OCH MEDARBETARE I FEM FÖRETAG NORRMEJERIER SAAB SANDVIK SPENDRUPS VOLVO Mittuniversitetet Avdelningen för medieoch kommunikationsvetenskap

Läs mer

KOMMUNIKATIVT LEDARSKAP

KOMMUNIKATIVT LEDARSKAP KOMMUNIKATIVT LEDARSKAP 7, 100, 85, 7 EN ANALYS AV INTERVJUER MED CHEFER OCH MEDARBETARE I FEM FÖRETAG NORRMEJERIER SAAB SANDVIK SPENDRUPS VOLVO Mittuniversitetet Avdelningen för medieoch kommunikationsvetenskap

Läs mer

Skriftlig redovisning av gymnasiearbetet

Skriftlig redovisning av gymnasiearbetet Skriftlig redovisning av gymnasiearbetet Gymnasiearbetet ska förbereda eleven för högskolestudier. Det innebär att gymnasiearbetet utförs och redovisas med arbetssätt och redovisningsformer som liknar

Läs mer

Collaborative Product Development:

Collaborative Product Development: Collaborative Product Development: a Purchasing Strategy for Small Industrialized House-building Companies Opponent: Erik Sandberg, LiU Institutionen för ekonomisk och industriell utveckling Vad är egentligen

Läs mer

Kursplan för Matematik

Kursplan för Matematik Sida 1 av 5 Kursplan för Matematik Inrättad 2000-07 SKOLFS: 2000:135 Ämnets syfte och roll i utbildningen Grundskolan har till uppgift att hos eleven utveckla sådana kunskaper i matematik som behövs för

Läs mer

Analys av kvalitativ data Kvalitativ innehållsanalys som ett exempel. Introduktion Bakgrund Syfte Metod Resultat Diskussion Slutsats

Analys av kvalitativ data Kvalitativ innehållsanalys som ett exempel. Introduktion Bakgrund Syfte Metod Resultat Diskussion Slutsats KVALITATIV ANALYS Analys av kvalitativ data Kvalitativ innehållsanalys som ett exempel Övning i att analysera Therese Wirback, adjunkt Introduktion Bakgrund Syfte Metod Resultat Diskussion Slutsats Fånga

Läs mer

Målmedveten satsning på aktionsforskning i Varberg

Målmedveten satsning på aktionsforskning i Varberg Målmedveten satsning på aktionsforskning i Varberg 1 Målmedveten satsning på aktionsforskning i Varberg I Varberg finns sedan länge en ambition att sprida aktionsforskning som en metod för kvalitetsarbete

Läs mer

Måldriven, informationscentrerad webbdesign

Måldriven, informationscentrerad webbdesign Måldriven, informationscentrerad webbdesign Linus Forsell Digitala Distributionsformer vid Högskolan Väst, Trollhättan, Sverige linus.forsell@student.hv.se 1 Abstrakt I den här essän kommer måldriven och

Läs mer

Data mining. Data mining Skillnaden mellan observationella och experimentella data

Data mining. Data mining Skillnaden mellan observationella och experimentella data Data mining Skillnaden mellan observationella och experimentella data Data mining Metoder för att automatisktupptäcka icke-trivial användbar information i stora datamängder 1 Data mining: (Mot-)exempel

Läs mer

Hur gör de egentligen?

Hur gör de egentligen? Hur gör de egentligen? bra statistik alltså! Vad är statistik? Ordet statistik kan ha olika betydelser. Vanligen menar man sifferuppgifter om förhållandena i samhället. Ursprungligen var det ordagrant

Läs mer

Att skriva en ekonomisk, humanistisk eller samhällsvetenskaplig rapport

Att skriva en ekonomisk, humanistisk eller samhällsvetenskaplig rapport Att skriva en ekonomisk, humanistisk eller samhällsvetenskaplig rapport Eventuell underrubrik Förnamn Efternamn Klass Skola Kurs/ämnen Termin Handledare Abstract/Sammanfattning Du skall skriva en kort

Läs mer

!!!!!!!!!!!!!!!!!!!!!!!!!!!

!!!!!!!!!!!!!!!!!!!!!!!!!!! Extended DISC Extended DISC är ett av de modernaste och mest flexibla verktyget på marknaden. Med Extended DISC kan du arbeta med många områden: " Beteende och kommunikation " Beteendekompetenser för kultur,

Läs mer

Kurs 1. Informationsförmedlingens vetenskapliga och sociala sammanhang, 30.0 hp

Kurs 1. Informationsförmedlingens vetenskapliga och sociala sammanhang, 30.0 hp Kurs 1. Informationsförmedlingens vetenskapliga och sociala sammanhang, 30.0 hp (Gäller ht-14) För godkänt kursbetyg ska den studerande avseende kunskap och förståelse känna till och redogöra för: - grundlinjen

Läs mer

PROJEKTLEDNING inom produktutveckling. Individuell inlämningsuppgift KPP039 Produktutvekling 3 Boris Mrden 2010-01-10

PROJEKTLEDNING inom produktutveckling. Individuell inlämningsuppgift KPP039 Produktutvekling 3 Boris Mrden 2010-01-10 PROJEKTLEDNING inom produktutveckling Individuell inlämningsuppgift KPP039 Produktutvekling 3 Boris Mrden 2010-01-10 Innehållsförteckning Inledning... 3 Projektarbete... 4 Projektledning & Ledarskap...

Läs mer

Identifiera kundbehov En sammanfattning och analys av kapitel 4 i boken Product Design and Development

Identifiera kundbehov En sammanfattning och analys av kapitel 4 i boken Product Design and Development Identifiera kundbehov En sammanfattning och analys av kapitel 4 i boken Product Design and Development Grupp 6 Ali Abid Kjell Nilsson Patrick Larsson Mälardalens högskola KN3060, Produktutveckling med

Läs mer

Sammanfattningsvis beror de största skillnaderna i prioriteringar och arbetssätt inom CRM främst på storlek på organisation och antal slutkunder.

Sammanfattningsvis beror de största skillnaderna i prioriteringar och arbetssätt inom CRM främst på storlek på organisation och antal slutkunder. Konceptet Customer Relationship Management (CRM) har funnits i decennier och idag är det allmänt känt att CRM har stor potential att effektivisera verksamheter och maximera intäkter. Trots denna vetskap

Läs mer

Teknikprogrammet Klass TE14A, Norrköping. Jacob Almrot. Självstyrda bilar. Datum: 2015-03-09

Teknikprogrammet Klass TE14A, Norrköping. Jacob Almrot. Självstyrda bilar. Datum: 2015-03-09 Teknikprogrammet Klass TE14A, Norrköping. Jacob Almrot Självstyrda bilar Datum: 2015-03-09 Abstract This report is about when you could buy a self-driving car and what they would look like. I also mention

Läs mer

Analysen syftar till att ge en god gestalt. Kontinuerlig växling mellan delar och helhet.

Analysen syftar till att ge en god gestalt. Kontinuerlig växling mellan delar och helhet. Beteendevetenskaplig metod Kvalitativ analys Eva-Lotta Sallnäs Ph.D. CSC, Kungliga Tekniska Högskolan evalotta@csc.kth.se Kvalitativ databearbetning Analysen syftar till att ge en god gestalt. Kontinuerlig

Läs mer

GYMNASIEARBETET - ATT SKRIVA VETENSKAPLIGT

GYMNASIEARBETET - ATT SKRIVA VETENSKAPLIGT GYMNASIEARBETET - ATT SKRIVA VETENSKAPLIGT Ditt gymnasiearbete ska bygga kring den frågeställning du kommit fram till i slutet av vårterminen i årskurs 2 och du ska i ditt arbete besvara din frågeställning

Läs mer

Teknik nu och då. En jämförelse mellan dagens teknik och den som fanns 1969

Teknik nu och då. En jämförelse mellan dagens teknik och den som fanns 1969 Teknik nu och då En jämförelse mellan dagens teknik och den som fanns 1969 Ämne: So/ Sv Namn: Daniel Jönsson Handledare: Anna Eriksson Klass: 9 Årtal: 2009 Innehållsförteckning Framsida..1 Innehållsförteckning...2

Läs mer

Tendensrapport 2011. Sveriges Marknadsförbund Sida 1 (17)

Tendensrapport 2011. Sveriges Marknadsförbund Sida 1 (17) De största utmaningarna för dagens marknadsförare Det här innebär det utökade medielandskapet Så mäter företag effekt av sina marknadsaktiviteter Så arbetar företag med sociala medier och e-postmarknadsföring

Läs mer

AvI-index. Ett instrument för att mäta IT-systems användbarhet

AvI-index. Ett instrument för att mäta IT-systems användbarhet ANDERS GUNÉR AvI-index Ett instrument för att mäta IT-systems användbarhet Iordanis Kavathatzopoulos Uppsala universitet ISBN 978-91-976643-5-6 Copyright 2008 Iordanis Kavathatzopoulos. Uppsala universitet,

Läs mer

Anvisningar för presentation och opponering. En liten guide för presentation och opponering av kandidat- och magisteruppsatser

Anvisningar för presentation och opponering. En liten guide för presentation och opponering av kandidat- och magisteruppsatser Anvisningar för presentation och opponering En liten guide för presentation och opponering av kandidat- och magisteruppsatser Idén med uppsatsskrivande Att öva sig i det vetenskapliga hantverket; dvs.

Läs mer

Databashantering och Beslutsstöd

Databashantering och Beslutsstöd Högskolan i Halmstad Sektionen för ekonomi och teknik Affärssystemprogrammet Databashantering och beslutsstöd, 7,5 hp Examinator Jesper Hakeröd 2011-02-25 Databashantering och Beslutsstöd Namn Innehållsförteckning

Läs mer

Betygskriterier för Examensarbete, 15hp Franska C1/C3, Italienska C, Spanska C/C3

Betygskriterier för Examensarbete, 15hp Franska C1/C3, Italienska C, Spanska C/C3 Uppsala universitet Institutionen för moderna språk VT11 Betygskriterier för Examensarbete, 15hp Franska C1/C3, Italienska C, Spanska C/C3 För betyget G skall samtliga betygskriterier för G uppfyllas.

Läs mer

Graärgning och kromatiska formler

Graärgning och kromatiska formler Graärgning och kromatiska formler Henrik Bäärnhielm, d98-hba 2 mars 2000 Sammanfattning I denna uppsats beskrivs, för en ickematematiker, färgning av grafer samt kromatiska formler för grafer. Det hela

Läs mer

Kvantitativa metoder och datainsamling

Kvantitativa metoder och datainsamling Kvantitativa metoder och datainsamling Kurs i forskningsmetodik med fokus på patientsäkerhet 2015-09-23, Peter Garvin FoU-enheten för närsjukvården Kvantitativ och kvalitativ metodik Diskborsten, enkronan

Läs mer

Preliminära resultat samt uppföljning och utvärdering av modell

Preliminära resultat samt uppföljning och utvärdering av modell Preliminära resultat samt uppföljning och utvärdering av modell Under mars månad i år svarade ni på en undersökning gällande Kommuners användning av sociala medier som utfördes som del av ett examensarbete

Läs mer

Decentraliserad administration av gästkonton vid Karlstads universitet

Decentraliserad administration av gästkonton vid Karlstads universitet Datavetenskap Opponent(er): Markus Fors Christian Grahn Respondent(er): Christian Ekström Per Rydberg Decentraliserad administration av gästkonton vid Karlstads universitet Oppositionsrapport, C/D-nivå

Läs mer

Inlämningsuppgift : Finn. 2D1418 Språkteknologi. Christoffer Sabel E-post: csabel@kth.se 1

Inlämningsuppgift : Finn. 2D1418 Språkteknologi. Christoffer Sabel E-post: csabel@kth.se 1 Inlämningsuppgift : Finn 2D1418 Språkteknologi Christoffer Sabel E-post: csabel@kth.se 1 1. Inledning...3 2. Teori...3 2.1 Termdokumentmatrisen...3 2.2 Finn...4 3. Implementation...4 3.1 Databasen...4

Läs mer

fem områden för smartare marknadsföring

fem områden för smartare marknadsföring fem områden för smartare marknadsföring fem områden för smartare marknadsföring Strukturerad information Sättet du lagrar information om dina kunder och prospekts beteenden, kontaktuppgifter och demografi

Läs mer

1(15) Bilaga 1. Av Projekt Neuronnätverk, ABB Industrigymnasium, Västerås Vt-05

1(15) Bilaga 1. Av Projekt Neuronnätverk, ABB Industrigymnasium, Västerås Vt-05 1(15) Bilaga 1 2(15) Neuronnätslaboration Räknare Denna laboration riktar sig till gymnasieelever som går en teknisk utbildning och som helst har läst digitalteknik samt någon form av styrteknik eller

Läs mer

Webbsystems inverkan på innehåll och användbarhet på webbplatser - oppositionsrapport

Webbsystems inverkan på innehåll och användbarhet på webbplatser - oppositionsrapport Webbsystems inverkan på innehåll och användbarhet på webbplatser - oppositionsrapport Respondenter: Emma Henriksson och Ola Ekelund Opponenter: Eva Pettersson och Johan Westerdahl Sammanfattande omdöme

Läs mer

Systematisk gemensam riskhantering i byggprojekt. Ekaterina Osipova Byggproduktion Luleå tekniska universitet

Systematisk gemensam riskhantering i byggprojekt. Ekaterina Osipova Byggproduktion Luleå tekniska universitet Systematisk gemensam riskhantering i byggprojekt Ekaterina Osipova Byggproduktion Luleå tekniska universitet Bakgrund och syfte Riskhantering blir allt viktigare i dagens byggbransch. Snabba förändringar

Läs mer

Faktabaserade beslutsunderlag

Faktabaserade beslutsunderlag VÄLKOMMMEN TILL SEMINARIUM, TISDAG 14 SEPTEMBER 2004, HOS SAS INSTITUTE, STORA FRÖSUNDA, STOCKHOLM Faktabaserade beslutsunderlag inom offentlig sektor Välkommen till ett seminarium om faktabaserat beslutsfattande

Läs mer

Råd gällande vokabulärer för kommuners och landstings arbete med länkade öppna data

Råd gällande vokabulärer för kommuners och landstings arbete med länkade öppna data UTKAST Råd gällande vokabulärer för kommuners och landstings arbete med länkade öppna data Nationellt ramverk för öppna data Peter Krantz AB Innehållsförteckning 1. Nationellt ramverk för öppna data...

Läs mer

Projektplan. Naturvetenskaps- och tekniksatsningen

Projektplan. Naturvetenskaps- och tekniksatsningen Projektplan Elever: Klass: Version på planen: Senast uppdaterad: Idé Vilket fenomen eller skeende i er omgivning vill ni undersöka? Exempel: Fåglars olika läten och beteenden vid olika situationer. Ämne

Läs mer

Naturvetenskaps- och tekniksatsningen. Företag som lärmiljö

Naturvetenskaps- och tekniksatsningen. Företag som lärmiljö Företag som lärmiljö Genom undervisningen ska eleverna ges förutsättningar att utveckla kunskaper om tekniken i vardagen och förtrogenhet med ämnets specifika uttrycksformer och begrepp. Undervisningen

Läs mer

Bättre tillsammans. Förbättra kundrelationshanteringen med:

Bättre tillsammans. Förbättra kundrelationshanteringen med: Bättre tillsammans Förbättra kundrelationshanteringen med: Microsoft Dynamics CRM 3.0 2007 Microsoft Office system Windows Vista Microsoft Exchange Server 2007 Öka kraften och effektiviteten i Microsoft

Läs mer

Interaktionsdesign som profession. Föreläsning Del 2

Interaktionsdesign som profession. Föreläsning Del 2 Interaktionsdesign som profession Föreläsning Del 2 Vikten av att göra research Varför behöver vi göra research? En produkt blir aldrig bättre än den data som denna baseras på Men Vi har redan gjort en

Läs mer

ANVÄNDARHANDLEDNING FÖR PAR URVAL

ANVÄNDARHANDLEDNING FÖR PAR URVAL Datum Sida 2015-09-01 1 (24) ANVÄNDARHANDLEDNING FÖR PAR URVAL Databas Par Konsument / B2C 2 (24) PAR Urval v 2.0 2015-08-25 ANVÄNDARHANDLEDNING FÖR PAR URVAL V2.0 Databas: PAR Konsument ANVÄNDARHANDLEDNING

Läs mer

Föreläsning 2: Datainsamling - Observation, enkät, intervju. Att läsa: Kapitel 7 i Rogers et al.: Interaction design

Föreläsning 2: Datainsamling - Observation, enkät, intervju. Att läsa: Kapitel 7 i Rogers et al.: Interaction design Föreläsning 2: Datainsamling - Observation, enkät, intervju Att läsa: Kapitel 7 i Rogers et al.: Interaction design Stjärnmodellen Analys Utvärdering Implementation Prototyper Krav Design 100326 Datainsamling

Läs mer

Wise Business Support Ms Office Kursinnehåll För nybörjare och därefter

Wise Business Support Ms Office Kursinnehåll För nybörjare och därefter Wise Business Support Ms Office Kursinnehåll För nybörjare och därefter Mohammad Honarbakhsh 2013 01 11 073 784 22 74 mo.honar@wisebs.com www.wisebs.com Ms Office Ms Word, Ms Outlook, Ms PowerPoint, Ms

Läs mer

Hur skriver man en vetenskaplig uppsats?

Hur skriver man en vetenskaplig uppsats? Kullagymnasiet Projektarbete PA1201 Höganäs 2005-01-19 Hur skriver man en vetenskaplig uppsats? Anna Svensson, Sp3A Handledare: Erik Eriksson Innehållsförteckning 1. Inledning sid. 1 - Bakgrund - Syfte

Läs mer

Rätt information till rätt person vid rätt tillfälle

Rätt information till rätt person vid rätt tillfälle Rätt information till rätt person vid rätt tillfälle System för samverkan, effektivitet och konkurrenskraft Du håller säkert med om att ditt företags kanske mest värdefulla tillgång består av all den information

Läs mer

Inboundmarknadsföring för stora företag

Inboundmarknadsföring för stora företag Inboundmarknadsföring för stora företag Attrahera Konvertera Avsluta Tillfredsställ Webb- användare Besökare Leads Kunder Förespråkare Blogg Sociala medier Sökord Webbsidor Calls-to-Action Landningssidor

Läs mer

UTVÄRDERING - VAD, HUR OCH VARFÖR? MALIN FORSSELL TOVE STENMAN

UTVÄRDERING - VAD, HUR OCH VARFÖR? MALIN FORSSELL TOVE STENMAN UTVÄRDERING - VAD, HUR OCH VARFÖR? MALIN FORSSELL TOVE STENMAN KORT OM RAMBÖLL OCH UTVÄRDERING Ca 60 konsulter i Stockholm, totalt 500 i Europa Ca 80 utvärderingar varje år i Sverige Stora utvärderingar,

Läs mer

Skriva uppsats på uppdrag?

Skriva uppsats på uppdrag? 2014-01-07 Sid 1 (6) Skriva uppsats på uppdrag? Information för uppdragsgivare samt för dig som skriver uppsats i företagsekonomi vid Handelshögskolan vid Umeå universitet 2014-01-07 Sid 2 (6) Skriva uppsats

Läs mer

Innehåll. Material Valberedningsguide Uppdaterad: 2015-01- 27 Sida 2 av 7

Innehåll. Material Valberedningsguide Uppdaterad: 2015-01- 27 Sida 2 av 7 Sida 2 av 7 Innehåll Information till valberedningen... 3 Inför årsmötet... 4 Att sätta ihop kravprofiler... 4 Saker att ta ställning till... 5 Att hålla informationsmöte... 5 Att förbereda en intervju...

Läs mer

Pivottabeller. Del 2. Dan-Rune Hanssen

Pivottabeller. Del 2. Dan-Rune Hanssen Pivottabeller Del 2 Dan-Rune Hanssen Innehållsförteckning Beräknade fält... 3 Använd kalkylbladsfunktioner i beräknade fält... 6 Ändra formel i beräknat fält... 7 Autoformat i pivottabell... 8 Pivotdiagram...

Läs mer

KÖPA MARKNADSUNDERSÖKNING. En guide för dig som överväger att göra en marknadsundersökning

KÖPA MARKNADSUNDERSÖKNING. En guide för dig som överväger att göra en marknadsundersökning KÖPA MARKNADSUNDERSÖKNING En guide för dig som överväger att göra en marknadsundersökning INNEHÅLLSFÖRTECKNING INNEHÅLLSFÖRTECKNING... 2 INLEDNING... 3 BEHÖVER NI VERKLIGEN GENOMFÖRA EN UNDERSÖKNING...

Läs mer

GUIDE FÖR EN BRA MEDARBETARUNDERSÖKNING

GUIDE FÖR EN BRA MEDARBETARUNDERSÖKNING GUIDE FÖR EN BRA MEDARBETARUNDERSÖKNING INNEHÅLLSFÖRTECKNING INNEHÅLLSFÖRTECKNING... 2 INLEDNING... 3 INTERN FÖRANKRING... 4 EN STOR ELLER MÅNGA SMÅ... 5 TIMING... 6 INFORMATION INFÖR OCH UNDER GENOMFÖRANDET...

Läs mer

VAD GÖR DU / VEM ÄR DU?

VAD GÖR DU / VEM ÄR DU? INNEHÅLL Vad blir din roll Databaser vad är och varför Terminologi Datamodellering vad är och varför Utvecklingsprocessen SQL vad är det Data / Information / Kunskap Kapitel 1 delar av. Praktisk Datamodellering

Läs mer

Varje rätt svar ger 0.5 poäng. (max 3p)

Varje rätt svar ger 0.5 poäng. (max 3p) Fråga 1) Följande fråga beaktar skillnaden mellan marknadsdriven och kontraktsdriven produktutveckling. Para ihop varje scenario med det alternativ som passar bäst. A Kontraktsdriven produktutveckling

Läs mer

Brevvanor 2008. en rapport om svenska folkets vanor och attityder till fysisk och elektronisk information

Brevvanor 2008. en rapport om svenska folkets vanor och attityder till fysisk och elektronisk information en rapport om svenska folkets vanor och attityder till fysisk och elektronisk information Posten AB - 1 Förord På drygt ett decennium har sätten vi kommunicerar med varandra på förändrats i grunden. Från

Läs mer

135 poäng inom programmet 2 st askultationer Håll ögon och öron öppna. Fråga, fundera

135 poäng inom programmet 2 st askultationer Håll ögon och öron öppna. Fråga, fundera Kandidatexamen i Grafisk design & kommunikation Inför ditt examensarbete...! Information om examensarbete, 16 hp! Inför ditt examensarbete...! Gamla exjobb på liu.div-portal.org!! Redan nu: 135 poäng inom

Läs mer

UTBILDNINGSKATALOG. För utveckling av besöksnäringen ALUN

UTBILDNINGSKATALOG. För utveckling av besöksnäringen ALUN UTBILDNINGSKATALOG F Ö R E L Ä S N I N G W O R K S H O P A F F Ä R S U T V E C K L I N G För utveckling av besöksnäringen ALUN VIKTEN AV ATT UTVECKLAS! I framtiden gäller det inte bara att ha rätt kunskaper

Läs mer

Förändringsstrategi anpassad till just din organisations förutsättningar och förmåga

Förändringsstrategi anpassad till just din organisations förutsättningar och förmåga Förändringsstrategi anpassad till just din organisations förutsättningar och förmåga Att bedriva effektiv framgångsrik förändring har varit i fokus under lång tid. Förändringstrycket är idag högre än någonsin

Läs mer

Metodologier Forskningsdesign

Metodologier Forskningsdesign Metodologier Forskningsdesign 1 Vetenskapsideal Paradigm Ansats Forskningsperspek6v Metodologi Metodik, även metod används Creswell Worldviews Postposi'vist Construc'vist Transforma've Pragma'c Research

Läs mer

Bibliotekarien som intern konsult - erfarenheter från omvärldsbevakning i kommun och företag.

Bibliotekarien som intern konsult - erfarenheter från omvärldsbevakning i kommun och företag. Katarina Kristoffersson & Bibliotekarien som intern konsult - erfarenheter från omvärldsbevakning i kommun och företag. Paper presenterat vid konferensen 11-12 oktober 2006 i Borås Om föredragshållarna

Läs mer

SEKRETESSPOLICY. Hur vi använder och skyddar personlig information

SEKRETESSPOLICY. Hur vi använder och skyddar personlig information SEKRETESSPOLICY Denna sekretesspolicy innehåller information om hur vi samlar in, använder och delar den personliga information som vi samlar in när du besöker Genworth.se på Internet. Denna sekretesspolicy

Läs mer

Konverteringsskola Del 3: Vad är användbarhet?

Konverteringsskola Del 3: Vad är användbarhet? Konverteringsskolans andra del behandlade vikten av att lära känna sina besökare. Vi kommer nu att arbeta vidare med besökarna i åtanke och fokusera på hur pass väl de kan använda webbplatsen. Om webbplatsen

Läs mer

Var finns ungdomarna? Hur når vi dem? Kompetensutveckling marknadsföring naturbruk 2015-09-24. www.bizcare.se

Var finns ungdomarna? Hur når vi dem? Kompetensutveckling marknadsföring naturbruk 2015-09-24. www.bizcare.se Var finns ungdomarna? Hur når vi dem? Kompetensutveckling marknadsföring naturbruk 2015-09-24 www.bizcare.se Vad gör vi på BizCare? Sökbildsanalyser Varumärkesanalyser Kursverksamhet (marknadsföring) Individuell

Läs mer

TITEL. Johannes Hedberggymnasiet. Laborantens namn: Medlaboranters namn: Klass: Skola: Påbörjad: Inlämnad:

TITEL. Johannes Hedberggymnasiet. Laborantens namn: Medlaboranters namn: Klass: Skola: Påbörjad: Inlämnad: Johannes Hedberggymnasiet Ha gärna med skolans namn högst upp i vänstra hörnet, det ger framsidan lite guldkant Johannes Hedbergloggan är väldigt snygg att ha uppe i hörnet. Kopiera gärna denna. TITEL

Läs mer

Visionen om en Tjänstekatalog

Visionen om en Tjänstekatalog Visionen om en Tjänstekatalog Varför ska vi införa tjänster? Copyright BiTA Service Management/Rolf Norrman 1 IT:s värde för verksamheten tydliggörs i verksamhetens egna termer Organisationens kundfokus

Läs mer

Riktlinjer för bedömning av examensarbeten

Riktlinjer för bedömning av examensarbeten Fastställda av Styrelsen för utbildning 2010-09-10 Dnr: 4603/10-300 Senast reviderade 2012-08-17 Riktlinjer för bedömning av Sedan 1 juli 2007 ska enligt högskoleförordningen samtliga yrkesutbildningar

Läs mer

EXAMENSARBETE GEORGIOS GAKIOS PANAJOTIS ORFANIDIS. Samhällsvetenskapliga och ekonomiska utbildningar SYSTEMVETENSKAPLIGA PROGRAMMET D-NIVÅ

EXAMENSARBETE GEORGIOS GAKIOS PANAJOTIS ORFANIDIS. Samhällsvetenskapliga och ekonomiska utbildningar SYSTEMVETENSKAPLIGA PROGRAMMET D-NIVÅ 2003:095 SHU EXAMENSARBETE Användning av beslutstödsverktyg inom CRM (Customer Relationship Management) Hur kan beslutstödsverktyg stödja företagens analysarbete för att hitta kunskap om kunderna? GEORGIOS

Läs mer

SAS Institute Education Center. Kurser hösten 2007

SAS Institute Education Center. Kurser hösten 2007 SAS Institute Education Center Kurser hösten 2007 Möt hösten med SAS Institute. Till hösten presenterar vi sex nya kurser på schemat. Det finns nyheter för nästan alla olika jobbprofiler. Vad sägs om SAS

Läs mer

Word-guide Introduktion

Word-guide Introduktion Word-guide Introduktion På det kognitionsvetenskapliga programmet kommer du läsa kurser inom flera olika vetenskapsområden och för varje vetenskapsområde finns ett speciellt sätt att utforma rapporter.

Läs mer

Tillämpningen av individuell lönesättning - problem och möjligheter Inför 2012 års forsknings- och innovationspolitiska proposition

Tillämpningen av individuell lönesättning - problem och möjligheter Inför 2012 års forsknings- och innovationspolitiska proposition 2013 Anna Danielsson Håkan Regnér Tillämpningen av individuell lönesättning - problem och möjligheter Inför 2012 års forsknings- och innovationspolitiska proposition Tolkningar av studien: Besluts- och

Läs mer

2012-01-12 FÖRSLAG TILL KURSPLAN INOM KOMMUNAL VUXENUTBILDNING GRUNDLÄGGANDE NIVÅ

2012-01-12 FÖRSLAG TILL KURSPLAN INOM KOMMUNAL VUXENUTBILDNING GRUNDLÄGGANDE NIVÅ Matematik, 600 verksamhetspoäng Ämnet handlar bland annat om mängder, tal och geometriska figurer. Matematiken har en flertusenårig historia med bidrag från många kulturer. Den utvecklas såväl ur praktiska

Läs mer

Del ur Lgr 11: kursplan i matematik i grundskolan

Del ur Lgr 11: kursplan i matematik i grundskolan Del ur Lgr 11: kursplan i matematik i grundskolan 3.5 Matematik Matematiken har en flertusenårig historia med bidrag från många kulturer. Den utvecklas såväl ur praktiska behov som ur människans nyfikenhet

Läs mer

Metoduppgift 4: Metod-PM

Metoduppgift 4: Metod-PM Metoduppgift 4: Metod-PM I dagens samhälle, är det av allt större vikt i vilken familj man föds i? Introduktion: Den 1 januari 2013 infördes en reform som innebar att det numera är tillåtet för vårdnadshavare

Läs mer

IbisSoft Cutting edge business solutions

IbisSoft Cutting edge business solutions IbisSoft Cutting edge business solutions Effekter från introduktion av processtödsystem och hur de kan mätas Preliminär rapport version 0.9 IbisSoft Cutting edge business solutions 2005-11-15 IbisSoft

Läs mer

Kursplanen i matematik 2011 - grundskolan

Kursplanen i matematik 2011 - grundskolan Kursplanen i matematik 2011 - grundskolan MATEMATIK Matematiken har en flertusenårig historia med bidrag från många kulturer. Den utvecklas såväl ur praktiska behov som ur människans nyfikenhet och lust

Läs mer

Ending the war between Sales & Marketing by Philip Kotler, Neil Rackham and Suj Krishnaswamy

Ending the war between Sales & Marketing by Philip Kotler, Neil Rackham and Suj Krishnaswamy Ending the war between Sales & Marketing by Philip Kotler, Neil Rackham and Suj Krishnaswamy Grupp 3 Inledning Produktdesigners har länge vetat om att de kan spara tid och pengar på att samarbeta med deras

Läs mer

Individuellt PM3 Metod del I

Individuellt PM3 Metod del I Individuellt PM3 Metod del I Företagsekonomiska Institutionen Stefan Loå A. Utifrån kurslitteraturen diskutera de två grundläggande ontologiska synsätten och deras kopplingar till epistemologi och metod.

Läs mer

TRENDER BI & ANALYS JOHAN ELFMAN OCH ERIK STRÖMGREN

TRENDER BI & ANALYS JOHAN ELFMAN OCH ERIK STRÖMGREN TRENDER BI & ANALYS JOHAN ELFMAN OCH ERIK STRÖMGREN BÄTTRE KONKURRENSFÖRMÅGA SNABBARE SMARTARE STRUKTUR ANALYS TEKNIK TEKNIK DIGITALISERING KOMPETENS Processer Teknik Människor NYA ARBETSSÄTT BI & ANALYS

Läs mer

WEBB365.SE. Hur skriver man sökmotoroptimerade texter

WEBB365.SE. Hur skriver man sökmotoroptimerade texter Hur skriver man sökmotoroptimerade texter Introduktion Det finns mycket man kan göra för att lyckas på nätet och att skriva sökmotoroptimerade texter är definitivt en av de viktigare. I korta ordalag kan

Läs mer

DISTANSARBETE: TEKNIK, RETORIK OCH PRAKTIK. Lennart Sturesson. Carlssons

DISTANSARBETE: TEKNIK, RETORIK OCH PRAKTIK. Lennart Sturesson. Carlssons DISTANSARBETE: TEKNIK, RETORIK OCH PRAKTIK Lennart Sturesson Carlssons Innehåll Kap 1. Inledning: Distansarbete ett ämne i tiden 13 1 Diskrepanser mellan retorik och praktik 14 2 Tidigare forskning 17

Läs mer

PLAN WEBBORGANISATION MIUN.SE

PLAN WEBBORGANISATION MIUN.SE MITTUNIVERSITETET Styrdokument PLAN WEBBORGANISATION MIUN.SE DNR MIUN 2013/1089 Publicerad: 2013-06-27 Beslutsfattare: Universitetsdirektör Yasmine Lindström Handläggare: Kicki Strandh Beslutsdatum: 2013-06-19

Läs mer

Jan Torége presenterar Räkna, räkna ranka och Sveriges kommuner och landstings arbete med frågor kring att mäta lokalt företagsklimat.

Jan Torége presenterar Räkna, räkna ranka och Sveriges kommuner och landstings arbete med frågor kring att mäta lokalt företagsklimat. STATISTIKWORKSHOP DET FÖRETAGSAMMA VÄRMLAND DEN 2 SEPTEMBER 2013, LAGERGRENS GATA 2, KARLSTAD Syfte Med seminariet vill vi att du ska känna till innebörden av olika mätningar och rankingar för att bli

Läs mer

Internationell säljare/marknadsförare, 80 poäng

Internationell säljare/marknadsförare, 80 poäng Internationell säljare/marknadsförare, 80 poäng Kursplan Projektmetodik (2 KY-poäng) ha kunskap om vad ett projekt är och känna till varför och när projekt är en lämplig arbetsform vara medveten om vilka

Läs mer

Om kompetens och lärande

Om kompetens och lärande Om kompetens och lärande Vi bär på mycket mer kunskap än vi tror och kan så mycket mer än vi anar! När som helst i livet har du nytta och glädje av att bli medveten om delarna i din kompetens. Du funderar

Läs mer

Mitt säkra kort. Förord

Mitt säkra kort. Förord Mitt säkra kort Förord Instruktionerna som du nu kommer att läsa fungerar förutsatt att du följer dem till punkt och pricka. Du kommer att tjäna från 10.000 till över 100.000 kronor per månad beroende

Läs mer