Verfügbarkeit: CRM intern - mit Data-Mining die besten Kunden finden

CRM intern - mit Data-Mining die besten Kunden finden: Data-Mining für Marketing und Vertrieb - einfach erklärt

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Höschel, Hans-Peter 1949- (VerfasserIn)
Format:	Buch
Sprache:	German
Veröffentlicht:	Langen ScoreXpert Ed. 2006 [Fuchstal bei Landsberg am Lech] xlibri.de
Ausgabe:	1. Aufl.
Schlagworte:	Data Mining Kundenmanagement
Online-Zugang:	Inhaltsverzeichnis
Beschreibung:	277 S. Ill., graph. Darst.
ISBN:	3935977697

Internformat

MARC


LEADER	00000nam a2200000 c 4500
001	BV021572522
003	DE-604
005	20100211
007	t
008	060508s2006 gw ad\|\| \|\|\|\| 00\|\|\| ger d
016	7		\|a 978632257 \|2 DE-101
020			\|a 3935977697 \|c Pb. : EUR 38.00 \|9 3-935977-69-7
024	3		\|a 9783935977692
035			\|a (OCoLC)162322318
035			\|a (DE-599)BVBBV021572522
040			\|a DE-604 \|b ger \|e rakddb
041	0		\|a ger
044			\|a gw \|c XA-DE-BY
049			\|a DE-1050 \|a DE-12 \|a DE-N2 \|a DE-19 \|a DE-703 \|a DE-Eb1
082	0		\|a 658.812 \|2 22/ger
084			\|a QP 620 \|0 (DE-625)141911: \|2 rvk
084			\|a QP 650 \|0 (DE-625)141922: \|2 rvk
084			\|a 650 \|2 sdnb
100	1		\|a Höschel, Hans-Peter \|d 1949- \|e Verfasser \|0 (DE-588)132223635 \|4 aut
245	1	0	\|a CRM intern - mit Data-Mining die besten Kunden finden \|b Data-Mining für Marketing und Vertrieb - einfach erklärt \|c Hans-Peter Höschel
250			\|a 1. Aufl.
264		1	\|a Langen \|b ScoreXpert Ed. \|c 2006
264		1	\|a [Fuchstal bei Landsberg am Lech] \|b xlibri.de
300			\|a 277 S. \|b Ill., graph. Darst.
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
650	0	7	\|a Data Mining \|0 (DE-588)4428654-5 \|2 gnd \|9 rswk-swf
650	0	7	\|a Kundenmanagement \|0 (DE-588)4236865-0 \|2 gnd \|9 rswk-swf
689	0	0	\|a Kundenmanagement \|0 (DE-588)4236865-0 \|D s
689	0	1	\|a Data Mining \|0 (DE-588)4428654-5 \|D s
689	0		\|5 DE-604
856	4	2	\|m HEBIS Datenaustausch Darmstadt \|q application/pdf \|u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=014788306&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
999			\|a oai:aleph.bib-bvb.de:BVB01-014788306

Datensatz im Suchindex

_version_	1804135339779948544
adam_text	HANS-PETER HOESCHEL CRM INTERN - MIT DATA-MINING DIE BESTEN KUNDEN FINDEN DATA-MINING FUER MARKETING UND VERTRIEB - EINFACH ERKLAERT KORREKTUREN: MIT DATA-MINING DIE BESTEN KUNDEN FINDEN S. 32,2ZEILE V.U.: AUFTRAEGEN = KREDIT-ANTRAEGEN S. 53, 3ZEILE V.U.: UEBER 2000 SPENDENORGANISATIONEN S.163, 2.ABSATZ: 5000 = 100 S.258: TABELLE 2: 200 = 204 S.259: TABELLEN SEITENMITTE (MIO ) = () (T/PERSON) = (/PERSON) SCOREXPERT EDITION 2008 AGI-INFORMATION MANAGEMENT CONSULTANTS MAY BE USED FOR PERSONAL PURPORSES ONLY OR BY LIBRARIES ASSOCIATED TO DANDELON.COM NETWORK. INHALT 1. HEREIN SPAZIERT L WIE MAN DIE BESTEN KUNDEN FINDET 2. KARRIERE- UND BERUFSAUSSICHTEN IM DATA-MINING 12 2.1 VERDIENST-MOEGLICHKEITEN IM DATA-MINING 12 2.2 WAS ERWARTET DICH IN DEINEM JOB? 14 3. DATA-MINING -WEN INTERESSIERT S? 16 4. WAHRSCHEINLICHKEITEN? WILLKOMMEN IM DATA-MINING 20 5. KLEIN-KREDITE - TROTZDEM MILLIONEN VERDIENEN 22 6. VERSANDKATALOGE VERSCHICKEN - WENIGER IST MEHR 26 7. STAUBSAUGER-VERTRETER NUTZEN DATA-MINING? 32 8. VERSICHERUNGEN: SCHADENS-FREIHEITSRABATT TAXIERT 37 9. STATISTIK UND DATA-MINING IM GESCHAEFTSLEBEN 42 10. DATA-MINING NACH BRANCHEN 45 46 48 49 50 51 52 53 53 55 55 56 57 10.13 ENERGIE-UNTERNEHMEN 58 11. TANTE EMMA WIRBT FUER NEUE TUETENSUPPE 59 12. TANTE EMMA OPTIMIERT ZIELGRUPPEN 63 12.1 VERKAEUFER SETZEN PRIORITAETEN MIT BAUCH-GEFUEHL- WAHRSCHEINLICHKEITEN 63 12.2 TANTE EMMAS ARBEITSANLEITUNG FUER OPTIMIERUNG VON ZIELGRUPPEN 66 13. KAUFT ER? KAUFT ER NICHT? - REAKTIONS-VARIABLE 70 14. KAUF-WAHRSCHEINLICHKEITEN UND WETTERPROGNOSEN 74 15. HOEHERER GEWINN DURCH OPTIMALE KUNDEN-AUSWAHL 79 15.1 OPTIMALE KUNDEN-AUSWAHL 79 15.2 HOHE REAKTIONSRATEN - TROTZDEM VERLUSTE 82 DATA-MINING NACH BRANCHEN 10.1 10.2 10.3 10.4 10.5 10.6 10.7 10.8 10.9 10.10 10.11 10.12 VERSANDHANDEL STATIONAERER HANDEL TELEKOMMUNIKATION BANKEN UND SPARKASSEN VERSICHERUNGEN BAUSPARKASSEN ZEITUNGEN UND ZEITSCHRIFTEN SPENDEN-ORGANISATIONEN LUFTFAHRT LOTTERIE-UNTERNEHMEN MARKENARTIKEL AUTO-INDUSTRIE 16. FUNDAMENTALSATZ FUER KUNDEN-SELEKTIONEN - DIE OPTIMALE REAKTIONSRATE 84 16.1 DIE OPTIMALE REAKTIONSRATE BEI WERBEAKTIONEN 84 16.2 WERBEFLUT - ODER DER MARKT IST AUSGELUTSCHT 86 17. TANTE EMMAS ERSTES DATA-MINING- DIE RFM-METHODE 89 18. DATA-MINING IST KEINE BUCHHALTUNGS-MATHEMATIK 93 19. ZIELGRUPPEN-MEHR ALS EINFACHE EXCEL-ABFRAGEN 95 20. SECHSER-PACK BIER UND BABY-WINDELN 98 21. ZIELORIENTIERTES DATA-MINING 101 22. DR. EISENBARTS DATA-MINING FUER LIEBESKRANKE 105 23. DATA-MINING-ALGORITHMENUNDAUTOMOTOREN 109 24. ZENTRALE KUNDEN-TABELLEN - ANONYMISIERTE KUNDENDATEN 110 25. VEREHRTES FRAUELEIM - DATEN IN DER PRAXIS 114 26. DATEN-PRUEFUNG - 254% IST IRRSINNIG HAEUFIG 120 27. WAS HAT DATA-MINING MIT WURST ZU TUN? 125 28. SEMMA- SCHREIBFEHLER FUER TANTE EMMA? 128 29. STICHPROBEN - DER TRICK DER STATISTIKER 131 30. STICHPROBEN - ODER WIE MAN POLITBAROMETER HINDREHT 135 31. SCORING - SIPPENHAFT FUER VERBRAUCHER? 139 32. TRAININGS-UND TEST-DATEN 145 32.1 TRAININGS-DATEN 145 32.2 TEST-DATEN 147 32.3 VERGLEICH DATA-MINING UND STATISTIK 148 33. KONTROLLGRUPPEN UND PLACEBOS, WIE IN DER MEDIZIN 149 33.1 WERBEMENGE UND AUSSCHLUSS-KRITERIEN 150 33.2 BRUTTO-UND NETTO BEI REAKTIONSRATEN 152 33.3 KONTROLLGRUPPEN - EIN ROTES TUCH FUER MANCHE MANAGER 154 34. DATA-MINING-MODELLE = BLINDE KANONE FUER S HASEN-SCHIESSEN 156 34.1 DIE LINEARE GERADEZU-DATA-MINING-KANONE 156 34.2 NICHT-GERADEZU HASEN-SCHIESSEN 160 34.3 ETWAS ZUM MANN AUF DEM 10 MARK SCHEIN 1 63 35. NEURONALE NETZE-UEBERTRAINIERTE STREBER 164 35.1 UEBERTRAINIEREN - MATHEMATISCHER HINTERGRUND 167 36. EXTERNE DATEN ZU KUNDEN UND ADRESSEN 169 36.1 MARKETING-DATEN 170 36.2 LISTBROKER 171 36.3 BONITAETS-DATEN 171 37. DATA-MINING-PROJEKTE: KLEINER AUFWAND - GROSSER NUTZEN 173 37.1 MATERIELLE VORAUSSETZUNGEN 173 37.2 DER DATA-MINING-RECHNER 174 37.3 DAS DATA-MINING-PROJEKT 175 37.4 DAS DATA-MINING-TEAM 176 DATA-MININQ VERFAHREN 179 38. ENTSCHEIDUNGSBAEUME 180 38.1 WIE FUNKTIONIERT EIN ENTSCHEIDUNGSBAUM 181 38.2 EIN BLATT AN EINEM ENTSCHEIDUNGSBAUM 184 38.3 AUSBLICK FUER ENTSCHEIDUNGSBAEUME 185 38.4 PRO- UND CONTRA BEI ENTSCHEIDUNGSBAEUMEN 186 39. HABEN KUENSTLICHE NEURONALE NETZE INTELLIGENZ?? 187 39. 1 NATUERLICHE NEURONALE NETZE 188 39.2 WIE FUNKTIONIEREN KUENSTLICHE NEURONALE NETZE 189 39.3 UMFANG KUENSTLICHER NEURONALER NETZE 191 39.4 BACK-PROPAGATION - NEURONALE NETZLER ERFINDEN DAS RAD NEU 192 39.5 HEUTIGE GRENZEN KUENSTLICHER NEURONALER NETZE 194 39.6 WOFUER KANN MAN NEURONALE NETZE EINSETZEN 196 39.7 PRO UND CONTRA ZU KUENSTLICHEN NEURONALEN NETZEN BEI DER KUNDEN-ANALYSE197 39.8 KURZE GESCHICHTE DER KUENSTLICHEN NEURONALEN NETZE 198 40. PUNKT-WERTUNGEN-GENIAL EINFACH 200 40.1 SCORING FUER TUETENSUPPE 201 40.2 PUNKT-WERTUNG - SCORING INTERN 205 40.2.1 NUMERISCHE DATEN-SPALTEN 207 40.2.2 NOMINALE DATEN-SPALTEN 208 40.2.3 VARIABLEN-SELEKTION-MODELL-WAHL 208 40.2.4 MATRIX-SCORING 209 40.3 WARUM SCORING BESSER IST, ALS NEURONALE NETZE 209 40.4 PRO UND CONTRA ZUM SCORING 212 41. WECHSELWIRKUNGEN ODER KOMBINIERTE MERKMALE 214 42. DATA-MINING-VERFAHREN - PLUS UND MINUS 21 8 HJ. DATA-MININQ GANZ UNTEN AUF SOHLE 7 - DATEN BEREITSTELLEN UND QUALITAET SICHERN 221 43. ERKUNDUNG UND DATEN-REDUKTION 222 43.1 DATEN-VISUALISIERUNG 223 43.2 DATEN-REDUKTION DURCH CLUSTER-ANALYSEN 225 43.3 DATEN-REDUKTION DURCH FAKTOREN-ANALYSEN 229 43.4 WAS BLEIBT IM TAEGLICHEN DATA-MINING 230 44. DATEN-PRUEFUNG - STIEFKIND DER IT-LER 44.1 NUMERISCHE DATEN UND WAS SIND PERZENTILE 44.2 BLAUE AUGEN = KATEGORIALE DATEN 44.3 STICHPROBEN BEI DER DATEN-PRUEFUNG VON ZKT 44.4 FUEHRENDE NULLEN? SIND DAS DIE IT-MANAGER? 45. ANALYSE-DATEN UND DATA-MINING-UMSETZUNG 45.1 PRODUKT-AFFINITAETEN 45.2 SAISON-EFFEKTE 45.3 ZEITDRUCK - DIE ZEITSCHEIBEN MUESSEN ZUSAMMENFALLEN 46. DATEN-PRUEFUNG IST CHEF-SACHE 47. MODIFIKATION DER DATEN 47.1 DATUMSVARIABLE UND ALTERSANGABEN 47.2 14 KINDER? NUMERISCHE DATEN MIT WENIG WERTEN 47.3 DIFFERENZ-VARIABLE 48. WARUM ZENTRALE KUNDEN-TABELLEN SO GROSS WERDEN KOENNEN ^ VERRUECKTE PROZENTE * * BETT-HUPFERL FUER ALLE, DIE MEINEN. PROZENT-RECHNUNG ZU KOENNEN 49. DIE TEILE WACHSEN, DOCH DAS GESAMTE SCHWINDET 50. *BLUEHENDE LANDSCHAFTEN - DAS KANN JA NOCH EWIG DAUERN ANHANG 51. 52. 53. DENGLISCH UND DEUTSCH KURZLEXIKON LITERATUR 53.1 53.2 53.3 53.4 53.5 53.6 INTERNET-QUELLEN SACHBUECHER FACHARTIKEL ZEITUNGSARTIKEL UND VORTRAEGE PUBLIKATIONEN ZU KREDIT-SCORING UND DATENSCHUTZ SCHOENE LITERATUR
adam_txt	HANS-PETER HOESCHEL CRM INTERN - MIT DATA-MINING DIE BESTEN KUNDEN FINDEN DATA-MINING FUER MARKETING UND VERTRIEB - EINFACH ERKLAERT KORREKTUREN: MIT DATA-MINING DIE BESTEN KUNDEN FINDEN S. 32,2ZEILE V.U.: AUFTRAEGEN = KREDIT-ANTRAEGEN S. 53, 3ZEILE V.U.: UEBER 2000 SPENDENORGANISATIONEN S.163, 2.ABSATZ: 5000 = 100 S.258: TABELLE 2: 200 = 204 S.259: TABELLEN SEITENMITTE (MIO ) = () (T/PERSON) = (/PERSON) SCOREXPERT EDITION 2008 AGI-INFORMATION MANAGEMENT CONSULTANTS MAY BE USED FOR PERSONAL PURPORSES ONLY OR BY LIBRARIES ASSOCIATED TO DANDELON.COM NETWORK. INHALT 1. HEREIN SPAZIERT L WIE MAN DIE BESTEN KUNDEN FINDET 2. KARRIERE- UND BERUFSAUSSICHTEN IM DATA-MINING 12 2.1 VERDIENST-MOEGLICHKEITEN IM DATA-MINING 12 2.2 WAS ERWARTET DICH IN DEINEM JOB? 14 3. DATA-MINING -WEN INTERESSIERT'S? 16 4. WAHRSCHEINLICHKEITEN? WILLKOMMEN IM DATA-MINING 20 5. KLEIN-KREDITE - TROTZDEM MILLIONEN VERDIENEN 22 6. VERSANDKATALOGE VERSCHICKEN - WENIGER IST MEHR 26 7. STAUBSAUGER-VERTRETER NUTZEN DATA-MINING? 32 8. VERSICHERUNGEN: SCHADENS-FREIHEITSRABATT TAXIERT 37 9. STATISTIK UND DATA-MINING IM GESCHAEFTSLEBEN 42 10. DATA-MINING NACH BRANCHEN 45 46 48 49 50 51 52 53 53 55 55 56 57 10.13 ENERGIE-UNTERNEHMEN 58 11. TANTE EMMA WIRBT FUER NEUE TUETENSUPPE 59 12. TANTE EMMA OPTIMIERT ZIELGRUPPEN 63 12.1 VERKAEUFER SETZEN PRIORITAETEN MIT BAUCH-GEFUEHL- WAHRSCHEINLICHKEITEN 63 12.2 TANTE EMMAS ARBEITSANLEITUNG FUER OPTIMIERUNG VON ZIELGRUPPEN 66 13. KAUFT ER? KAUFT ER NICHT? - REAKTIONS-VARIABLE 70 14. KAUF-WAHRSCHEINLICHKEITEN UND WETTERPROGNOSEN 74 15. HOEHERER GEWINN DURCH OPTIMALE KUNDEN-AUSWAHL 79 15.1 OPTIMALE KUNDEN-AUSWAHL 79 15.2 HOHE REAKTIONSRATEN - TROTZDEM VERLUSTE 82 DATA-MINING NACH BRANCHEN 10.1 10.2 10.3 10.4 10.5 10.6 10.7 10.8 10.9 10.10 10.11 10.12 VERSANDHANDEL STATIONAERER HANDEL TELEKOMMUNIKATION BANKEN UND SPARKASSEN VERSICHERUNGEN BAUSPARKASSEN ZEITUNGEN UND ZEITSCHRIFTEN SPENDEN-ORGANISATIONEN LUFTFAHRT LOTTERIE-UNTERNEHMEN MARKENARTIKEL AUTO-INDUSTRIE 16. FUNDAMENTALSATZ FUER KUNDEN-SELEKTIONEN - DIE OPTIMALE REAKTIONSRATE 84 16.1 DIE OPTIMALE REAKTIONSRATE BEI WERBEAKTIONEN 84 16.2 WERBEFLUT - ODER DER MARKT IST AUSGELUTSCHT 86 17. TANTE EMMAS ERSTES DATA-MINING- DIE RFM-METHODE 89 18. DATA-MINING IST KEINE BUCHHALTUNGS-MATHEMATIK 93 19. ZIELGRUPPEN-MEHR ALS EINFACHE EXCEL-ABFRAGEN 95 20. SECHSER-PACK BIER UND BABY-WINDELN 98 21. ZIELORIENTIERTES DATA-MINING 101 22. DR. EISENBARTS DATA-MINING FUER LIEBESKRANKE 105 23. DATA-MINING-ALGORITHMENUNDAUTOMOTOREN 109 24. ZENTRALE KUNDEN-TABELLEN - ANONYMISIERTE KUNDENDATEN 110 25. VEREHRTES FRAUELEIM"- DATEN IN DER PRAXIS 114 26. DATEN-PRUEFUNG - 254%" IST IRRSINNIG HAEUFIG 120 27. WAS HAT DATA-MINING MIT WURST ZU TUN? 125 28. SEMMA- SCHREIBFEHLER FUER TANTE EMMA? 128 29. STICHPROBEN - DER TRICK DER STATISTIKER 131 30. STICHPROBEN - ODER WIE MAN POLITBAROMETER HINDREHT 135 31. SCORING"- SIPPENHAFT FUER VERBRAUCHER? 139 32. TRAININGS-UND TEST-DATEN 145 32.1 TRAININGS-DATEN 145 32.2 TEST-DATEN 147 32.3 VERGLEICH DATA-MINING UND STATISTIK 148 33. KONTROLLGRUPPEN UND PLACEBOS, WIE IN DER MEDIZIN 149 33.1 WERBEMENGE UND AUSSCHLUSS-KRITERIEN 150 33.2 BRUTTO-UND NETTO BEI REAKTIONSRATEN 152 33.3 KONTROLLGRUPPEN - EIN ROTES TUCH FUER MANCHE MANAGER 154 34. DATA-MINING-MODELLE = BLINDE KANONE FUER'S HASEN-SCHIESSEN 156 34.1 DIE LINEARE GERADEZU-DATA-MINING-KANONE 156 34.2 NICHT-GERADEZU HASEN-SCHIESSEN 160 34.3 ETWAS ZUM MANN AUF DEM 10 MARK SCHEIN 1 63 35. NEURONALE NETZE-UEBERTRAINIERTE STREBER 164 35.1 UEBERTRAINIEREN - MATHEMATISCHER HINTERGRUND 167 36. EXTERNE DATEN ZU KUNDEN UND ADRESSEN 169 36.1 MARKETING-DATEN 170 36.2 LISTBROKER 171 36.3 BONITAETS-DATEN 171 37. DATA-MINING-PROJEKTE: KLEINER AUFWAND - GROSSER NUTZEN 173 37.1 MATERIELLE VORAUSSETZUNGEN 173 37.2 DER DATA-MINING-RECHNER 174 37.3 DAS DATA-MINING-PROJEKT 175 37.4 DAS DATA-MINING-TEAM 176 DATA-MININQ VERFAHREN 179 38. ENTSCHEIDUNGSBAEUME 180 38.1 WIE FUNKTIONIERT EIN ENTSCHEIDUNGSBAUM 181 38.2 EIN BLATT AN EINEM ENTSCHEIDUNGSBAUM 184 38.3 AUSBLICK FUER ENTSCHEIDUNGSBAEUME 185 38.4 PRO- UND CONTRA BEI ENTSCHEIDUNGSBAEUMEN 186 39. HABEN KUENSTLICHE NEURONALE NETZE INTELLIGENZ?? 187 39.'1 NATUERLICHE NEURONALE NETZE 188 39.2 WIE FUNKTIONIEREN KUENSTLICHE NEURONALE NETZE 189 39.3 UMFANG KUENSTLICHER NEURONALER NETZE 191 39.4 BACK-PROPAGATION - NEURONALE NETZLER ERFINDEN DAS RAD NEU 192 39.5 HEUTIGE GRENZEN KUENSTLICHER NEURONALER NETZE 194 39.6 WOFUER KANN MAN NEURONALE NETZE EINSETZEN 196 39.7 PRO UND CONTRA ZU KUENSTLICHEN NEURONALEN NETZEN BEI DER KUNDEN-ANALYSE197 39.8 KURZE GESCHICHTE DER KUENSTLICHEN NEURONALEN NETZE 198 40. PUNKT-WERTUNGEN-GENIAL EINFACH 200 40.1 SCORING FUER TUETENSUPPE 201 40.2 PUNKT-WERTUNG - SCORING INTERN 205 40.2.1 NUMERISCHE DATEN-SPALTEN 207 40.2.2 NOMINALE DATEN-SPALTEN 208 40.2.3 VARIABLEN-SELEKTION-MODELL-WAHL 208 40.2.4 MATRIX-SCORING 209 40.3 WARUM SCORING BESSER IST, ALS NEURONALE NETZE 209 40.4 PRO UND CONTRA ZUM SCORING 212 41. WECHSELWIRKUNGEN ODER KOMBINIERTE MERKMALE 214 42. DATA-MINING-VERFAHREN - PLUS UND MINUS 21 8 HJ. DATA-MININQ GANZ UNTEN AUF SOHLE 7 - DATEN BEREITSTELLEN UND QUALITAET SICHERN 221 43. ERKUNDUNG UND DATEN-REDUKTION 222 43.1 DATEN-VISUALISIERUNG 223 43.2 DATEN-REDUKTION DURCH CLUSTER-ANALYSEN 225 43.3 DATEN-REDUKTION DURCH FAKTOREN-ANALYSEN 229 43.4 WAS BLEIBT IM TAEGLICHEN DATA-MINING 230 44. DATEN-PRUEFUNG - STIEFKIND DER IT-LER 44.1 NUMERISCHE DATEN UND WAS SIND PERZENTILE 44.2 BLAUE AUGEN" = KATEGORIALE DATEN 44.3 STICHPROBEN BEI DER DATEN-PRUEFUNG VON ZKT 44.4 FUEHRENDE NULLEN? SIND DAS DIE IT-MANAGER? 45. ANALYSE-DATEN UND DATA-MINING-UMSETZUNG 45.1 PRODUKT-AFFINITAETEN 45.2 SAISON-EFFEKTE 45.3 ZEITDRUCK - DIE ZEITSCHEIBEN MUESSEN ZUSAMMENFALLEN" 46. DATEN-PRUEFUNG IST CHEF-SACHE 47. MODIFIKATION DER DATEN 47.1 DATUMSVARIABLE UND ALTERSANGABEN 47.2 14 KINDER? NUMERISCHE DATEN MIT WENIG WERTEN 47.3 DIFFERENZ-VARIABLE 48. WARUM ZENTRALE KUNDEN-TABELLEN SO GROSS WERDEN KOENNEN ^ VERRUECKTE PROZENTE * * BETT-HUPFERL FUER ALLE, DIE MEINEN. PROZENT-RECHNUNG ZU KOENNEN 49. DIE TEILE WACHSEN, DOCH DAS GESAMTE SCHWINDET 50. *BLUEHENDE LANDSCHAFTEN" - DAS KANN JA NOCH EWIG DAUERN ANHANG 51. 52. 53. DENGLISCH UND DEUTSCH KURZLEXIKON LITERATUR 53.1 53.2 53.3 53.4 53.5 53.6 INTERNET-QUELLEN SACHBUECHER FACHARTIKEL ZEITUNGSARTIKEL UND VORTRAEGE PUBLIKATIONEN ZU KREDIT-SCORING UND DATENSCHUTZ SCHOENE LITERATUR
any_adam_object	1
any_adam_object_boolean	1
author	Höschel, Hans-Peter 1949-
author_GND	(DE-588)132223635
author_facet	Höschel, Hans-Peter 1949-
author_role	aut
author_sort	Höschel, Hans-Peter 1949-
author_variant	h p h hph
building	Verbundindex
bvnumber	BV021572522
classification_rvk	QP 620 QP 650
ctrlnum	(OCoLC)162322318 (DE-599)BVBBV021572522
dewey-full	658.812
dewey-hundreds	600 - Technology (Applied sciences)
dewey-ones	658 - General management
dewey-raw	658.812
dewey-search	658.812
dewey-sort	3658.812
dewey-tens	650 - Management and auxiliary services
discipline	Wirtschaftswissenschaften
discipline_str_mv	Wirtschaftswissenschaften
edition	1. Aufl.
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>01716nam a2200433 c 4500</leader><controlfield tag="001">BV021572522</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20100211 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">060508s2006 gw ad\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">978632257</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3935977697</subfield><subfield code="c">Pb. : EUR 38.00</subfield><subfield code="9">3-935977-69-7</subfield></datafield><datafield tag="024" ind1="3" ind2=" "><subfield code="a">9783935977692</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)162322318</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)BVBBV021572522</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rakddb</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BY</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-1050</subfield><subfield code="a">DE-12</subfield><subfield code="a">DE-N2</subfield><subfield code="a">DE-19</subfield><subfield code="a">DE-703</subfield><subfield code="a">DE-Eb1</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">658.812</subfield><subfield code="2">22/ger</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">QP 620</subfield><subfield code="0">(DE-625)141911:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">QP 650</subfield><subfield code="0">(DE-625)141922:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">650</subfield><subfield code="2">sdnb</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Höschel, Hans-Peter</subfield><subfield code="d">1949-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)132223635</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">CRM intern - mit Data-Mining die besten Kunden finden</subfield><subfield code="b">Data-Mining für Marketing und Vertrieb - einfach erklärt</subfield><subfield code="c">Hans-Peter Höschel</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Aufl.</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Langen</subfield><subfield code="b">ScoreXpert Ed.</subfield><subfield code="c">2006</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">[Fuchstal bei Landsberg am Lech]</subfield><subfield code="b">xlibri.de</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">277 S.</subfield><subfield code="b">Ill., graph. Darst.</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Data Mining</subfield><subfield code="0">(DE-588)4428654-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Kundenmanagement</subfield><subfield code="0">(DE-588)4236865-0</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Kundenmanagement</subfield><subfield code="0">(DE-588)4236865-0</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Data Mining</subfield><subfield code="0">(DE-588)4428654-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">HEBIS Datenaustausch Darmstadt</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=014788306&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="999" ind1=" " ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-014788306</subfield></datafield></record></collection>
id	DE-604.BV021572522
illustrated	Illustrated
index_date	2024-07-02T14:38:55Z
indexdate	2024-07-09T20:38:56Z
institution	BVB
isbn	3935977697
language	German
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-014788306
oclc_num	162322318
open_access_boolean
owner	DE-1050 DE-12 DE-N2 DE-19 DE-BY-UBM DE-703 DE-Eb1
owner_facet	DE-1050 DE-12 DE-N2 DE-19 DE-BY-UBM DE-703 DE-Eb1
physical	277 S. Ill., graph. Darst.
publishDate	2006
publishDateSearch	2006
publishDateSort	2006
publisher	ScoreXpert Ed. xlibri.de
record_format	marc
spelling	Höschel, Hans-Peter 1949- Verfasser (DE-588)132223635 aut CRM intern - mit Data-Mining die besten Kunden finden Data-Mining für Marketing und Vertrieb - einfach erklärt Hans-Peter Höschel 1. Aufl. Langen ScoreXpert Ed. 2006 [Fuchstal bei Landsberg am Lech] xlibri.de 277 S. Ill., graph. Darst. txt rdacontent n rdamedia nc rdacarrier Data Mining (DE-588)4428654-5 gnd rswk-swf Kundenmanagement (DE-588)4236865-0 gnd rswk-swf Kundenmanagement (DE-588)4236865-0 s Data Mining (DE-588)4428654-5 s DE-604 HEBIS Datenaustausch Darmstadt application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=014788306&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis
spellingShingle	Höschel, Hans-Peter 1949- CRM intern - mit Data-Mining die besten Kunden finden Data-Mining für Marketing und Vertrieb - einfach erklärt Data Mining (DE-588)4428654-5 gnd Kundenmanagement (DE-588)4236865-0 gnd
subject_GND	(DE-588)4428654-5 (DE-588)4236865-0
title	CRM intern - mit Data-Mining die besten Kunden finden Data-Mining für Marketing und Vertrieb - einfach erklärt
title_auth	CRM intern - mit Data-Mining die besten Kunden finden Data-Mining für Marketing und Vertrieb - einfach erklärt
title_exact_search	CRM intern - mit Data-Mining die besten Kunden finden Data-Mining für Marketing und Vertrieb - einfach erklärt
title_exact_search_txtP	CRM intern - mit Data-Mining die besten Kunden finden Data-Mining für Marketing und Vertrieb - einfach erklärt
title_full	CRM intern - mit Data-Mining die besten Kunden finden Data-Mining für Marketing und Vertrieb - einfach erklärt Hans-Peter Höschel
title_fullStr	CRM intern - mit Data-Mining die besten Kunden finden Data-Mining für Marketing und Vertrieb - einfach erklärt Hans-Peter Höschel
title_full_unstemmed	CRM intern - mit Data-Mining die besten Kunden finden Data-Mining für Marketing und Vertrieb - einfach erklärt Hans-Peter Höschel
title_short	CRM intern - mit Data-Mining die besten Kunden finden
title_sort	crm intern mit data mining die besten kunden finden data mining fur marketing und vertrieb einfach erklart
title_sub	Data-Mining für Marketing und Vertrieb - einfach erklärt
topic	Data Mining (DE-588)4428654-5 gnd Kundenmanagement (DE-588)4236865-0 gnd
topic_facet	Data Mining Kundenmanagement
url	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=014788306&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT hoschelhanspeter crminternmitdataminingdiebestenkundenfindendataminingfurmarketingundvertriebeinfacherklart

Verfügbarkeit

Es ist kein Print-Exemplar vorhanden.

Fernleihe Bestellen Achtung: Nicht im THWS-Bestand! Inhaltsverzeichnis

MARC

Datensatz im Suchindex

Es ist kein Print-Exemplar vorhanden.

Ähnliche Einträge