Oprettet Projekt: 5863, Nyttiggørelse af landbrugets datagrundlag Side af 8
|
|
- Gerda Berg
- 6 år siden
- Visninger:
Transkript
1 Notat SEGES, Landbrug & Fødevarer F.m.b.A. Koncern IT Oversigt af de mest udbredte systemer til dataanalyse af store Ansvarlig PERH datamængder arbejdspakke 1 Oprettet Projekt: 5863, Nyttiggørelse af landbrugets datagrundlag Side af 8 I dette notat gives i oversigtsform en beskrivelse af de mest udbredte systemer til dataanalyse af store datamængder, samt vurderer deres egnethed til at analysere på de data som opsamles i landbruget Vi drukner i information, men tørster efter viden Big Data begrebet har indenfor de sidste år vundet stor udbredelse, også som mode-ord og markedsføringsbegreb. Begrebets betydning er derfor i noget omfang gået tabt og reduceret til at blive fortolket til at dække en uspecificeret (men stor) mængde bytes. Imidlertid dækker begrebet over flere forskellige egenskaber ved data, på engelsk defineret ved et antal V er: Volume (Tera/Petabytes: og bytes), Velocity (bytes der lagres pr sekund), Variety (hvor ensartede er data), Veracity (hvor troværdige er data). De landbrugsdata vi kender i dag er stadig kun i gigabyte-størrelse ligesom de øvrige V er ikke kommer i spil og vil ikke umiddelbart kvalificere til Big Data definitionen. Fremtidens Internet of Things vil derimod kunne producere disse store datamængder, feks fra traktorcomputere, ventilationsanlæg, GPS tracks, satellitbilleder osv. Alt afhængigt af formen på data, findes der en række infrastruktur-elementer der kan bringes i spil til at samle, opbevare og forespørge på data. Dette vil kort blive behandlet afsnittet Datalagring og opslag sidst i dette notat. Træet i illustrationen her viser nogle af de elementer der ingår i værdikæden ved analyse af meget store (og mindre) datamængder. Rødderne og stammen udgør den infrastruktur som gør det muligt overhovedet at opsamle data og stille dem til rådighed for det analytiske arbejde med at omdanne information til viden. I de fleste scenarier, vil opbygningen og vedligeholdelsen af en infrastruktur udgøre en meget stor del af omkostningen. For at data er til rådighed på en anvendelig måde er det desuden nødvendigt at etablere indholdsfortegnelser (metadata eller data om data ) og ligesom administrative funktioner skal sikre integrationspunkter mellem data samt sikkerhed omkring disse. Formålet er her i første omgang at se på de værktøjer der står til analytikerens disposition. Her adskiller landbrugsdata sig fundamentalt set ikke fra data fra andre brancher og der er dermed ikke værktøjer der specifikt peger på en
2 landbrugsfaglig anvendelse, men andre faktorer der kan pege på de værktøjer der er mest relevante i sammenhæng med anvendelse i landbruget generelt og i rådgivningen specifikt. Det er således i første række analytikerens formål og kompetencer der afgør hvilke værktøjer der bringes i spil, samt naturligvis de egenskaber der er ved værktøjerne. Nogle værktøjer er primært rettet mod en visualisering af forarbejdede data dvs at dataeksperter og evt statistikere har bygget en infrastruktur der, indenfor faste rammer, gør det muligt for en bruger at foretage en visuel analyse med grafer. Andre værktøjer er fokuseret på mere frit arbejde med statistisk metode og stiller krav til brugerens kompetencer og viden om faldgruber og muligheder indenfor dette område. Dataanalyse er i sin optimale form derfor et tæt samarbejde mellem flere forskellige kompetencefelter: Domæneeksperten (den landbrugsfaglige vidensmedarbejder) Statistik/analyse (den matematisk-faglige vidensmedarbejder) IT ekspert (den data-arkitektur/struktur vidensmedarbejder) Jo større kompetencemæssigt overlap der kan være mellem disse roller, jo mere effektivt kan man arbejde med Data Science i bred forstand. Værktøjer. Med populariseringen og demokratiseringen af adgang til avanceret dataanalyse findes der en enorm mængde af produkter og pakker til rådighed, både kommercielt og som open-source, og både baseret på lokal server-drift og/eller cloud-baseret i skyen. Her omtales udvalgte værktøjer der ligger tæt på hverdagen med dataanalyse i landbruget. Der vil altid være tale om en kombination af redskaber og valget af disse vil først og fremmest afhænge af formålet med dataanvendelsen ikke mindst af om der arbejdes for slutbrugere eller specialister; om der arbejdes med deskriptiv statistik, modellering, prediktion, artificial intelligence eller andre analytiske discipliner. 2
3 Med afsæt i de roller der er defineret kan værktøjerne skematisk rubriceres som være mere eller mindre tæt på en given rolle eller kompetence: Nogle værktøjer ligger tæt på det overlappende sweet spot og er mere bredt anvendelige medens andre værtøjer retter sig mod mere specifikke fagkompetencer. I det følgende er givet et bud på nogle af de enkelte redskabers styrker og svagheder, således som de er fremgået i landbrugsmæssig sammenhæng i praksis og gennem dette projekt. Microsoft Office Excel Excel er qua sin store udbredelse det værktøj den faglige analytiker oftest vil gribe til til for simpel analyse og visualisering. Microsoft har med 2013 og 2016 versionen indbygget stadigt mere dataanalyse-funktionalitet ind i produktet, men i landbruget benyttes disse versioner kun i meget ringe grad, idet den primære version der anvendes fortsat er 2010 versionen. Ligeledes er det primært købmandsregning og visualiseringer der anvendes i Excel og ikke egentlig statistisk analyse. Microsoft har lavet et gratis Data Analysis Toolpak plugin til Excel ligesom der er andre andre kommercielle plugins, men dette anvendes stort set ikke. Forcen ved Excel er at det er flexibelt og enkelt at gå til. Større og komplekse dataanalyseopgaver bliver imidlertidigt hurtigt uoverskuelige ligesom regneark, som personligt værktøj, hyppigt er helt udokumenterede. Regnearksbaserede analyser er derfor svære at teste, kontrollere og gentage. 3
4 I Excel 2016 er der forsøgt at råde bod på dette med funktionen Inquire der kan generere en rapport over ark, celler og formler. Excel vil dermed ofte være sidste led i kæden hos domæneeksperten når der arbejdes med analyse af store datamængder. SQL-script SQL (ikke at forveksle med SQL-Server, som er den konkrete relationelle database) er det tekstbaserede og standardiserede spørgesprog til relationelle databaser. Sproget er baseret på den relationelle algebra, dvs en matematisk disciplin der arbejder med sæt. Mere populært kan det beskrives som mængder hvor SQL benyttes til definere datamængder ud fra fælles-, del-, forenings- og differens-mængder. SQL rummer desuden funktioner til aggregering og simpel deskriptive statistiske funktioner som summer, gennemsnit, varians og afvigelse. Der er desuden muligheder for feks rankering. Eftersom relationsdatabaser er den lagringsmodel der benyttes af langt hovedparten af de landbrugsdata vi har i dag og SQL afvikles meget tæt på data, er det en særdeles effektiv initiel metode at tilgå data på. Kendskabet til SQL er imidlertid ikke særligt udbredt uden for IT-domænet. Der undervises heller ikke i det på de uddannelser hvorfra de faglige kandidater rekrutteres. I en verden hvor analytikerne er tættere på landbrugets grunddata er en fundamental viden om SQL imidlertid meget værdifuld. Der findes i dag også fortolkere af SQL som kan forespørge uden for de traditionelle relationsdatabaser, feks Hadoop. Som en variant af SQL bør også nævnes et nichesprog som MDX (MultiDimelsional expressions) som specifikt forespørger mod datakuber, som er preprocesserede datawarehouses bygget ud fra relationelle og andre data. Dette sprog er for data-specialister og har en stejl indlæringskurve. IBM Watson IBM har gennem diverse opkøb skabt en portefølje af mere eller mindre ensartede produkter til forskellige former for analyse, feks text-mining,under Watson paraplyen. Af særlig interesse for landbrugsdata er Watson Analytics som med held har været afprøvet. Der er tale om et web-baseret værktøj i skyen hvortil en data-tabel kan uploades og systemet vil derpå søge efter sammenhænge imellem de forskellige kolonner. Anvendelsen er først og fremmest til den eksplorative fase, hvor der med værktøjet også kan søges efter unknown unknowns (det vi ikke ved at vi ikke ved), dvs nye hypoteser kan opsættes til fortsat statistisk og faglig analyse. Bestående hypoteser kan naturligvs evalueres tilsvarende. R-script R er et open source statistisk programmeringssprog, et såkaldt domænespecifikt sprog. Det er udviklet i akademisk sammenhæng, og anvendes i dag meget bredt i undervisningen på de højere læreanstalter. En af de store fordele ved R er et pakkesystem hvor et globalt samfund af statistiske eksperter løbende udvikler ny funktionalitet som så kan integreres i den portefølje analytikeren har til rådighed. 4
5 Med det stadigt stigende kendskab til R og det faktum at det er gratis, vil det uvægerligt sive ind i en landbrugsfaglig kontekst i takt med at nyuddannede akademikere kommer ind i systemet. Klassiske producenter af databaser Oracle og Microsoft integrerer med R under deres vinger. Microsoft distribuerer gratis sin egen kompatible, men mere effektive, udgave af R og har integreret det i PowerBI produktet, som en del af SQL Server samt i deres cloud-baserede Machine Learning. R er et script-sprog og er således langt mere struktureret end Excel. Det kan læses umiddelbart og kommenteres, ligesom der er muligheder for unit-testing og versionsstyring. Hermed kan det Excel hell som ofte opstår organisk erstattes med nogle af de klassiske QA processer som kendes fra traditionel IT udvikling. Ud over de dedikerede matematisk/statistiske pakker er der pakker som kan integrere eksterne datakilder feks Microsoft Office-formater og databaser. Pakkesystemet er åbent og der kan også etableres fælles intern funktionalitet og dataadgang via egenudviklede pakker. Ikke mindre vigtigt er, at R indeholder meget avanceret funktionalitet til visualisering. Der er muligheder for at danne mange former for grafik og publicere denne via billeder, PDF eller HTML. Der findes et separat web-server værktøj ved navn Shiny hvor R kan benyttes interaktivt. Med R erstatter man ikke den traditionelle IT udvikling. R er et fortolket script sprog og har derfor en række begrænsninger, især performancemæssigt. Det vil imidlertid givetvis indgå som et element i fremtidens løsninger og feks er der allerede i dag analysekomponenter der benytter R i DMS Dyreregistrering. R er et værktøj der bredt integrerer den faglige kompetence med statistisk analyse og IT kompetencer, og bør derfor ses som et strategisk nøgleværktøj som indgår i fremtidens analyse og visualisering. SAS, SPSS, MatLab Er de klassiske kommercielle produkter indenfor statistisk analyse og er mest at sammenligne med R. Det er velafprøvede, meget troværdige og komplette produkter som dækker et meget bredt spektrum af opgaver inden for dataforarbejdning, analyse og visualisering. Produkterne er også meget dyre pr brugerlicens, og de har derfor en meget lille organisatorisk udbredelse. Typisk er det ganske få specialister (statistikere) der sidder med disse værktøjer, medens slutbrugerne så blot modtager færdig rapportering eller arbejder videre i Excel. Gennem forskellige tilkøbspakker kan der opnås funktionalitet der dækker en større del af spektret end her beskrevet. Producenterne har været dygtige til, gennem discounting, at få produkterne i spil på de højere læreanstalter, og kandidater herfra vil derfor ofte have et kendskab til dem. I og med at værktøjerne af økonomiske årsager rationeres til nøglemedarbejdere, skaber disse værktøjer ofte et flaskehalsproblem når efterspørgslen efter dataanalyse stiger. Specialudviklet software Specialudviklede applikationer kan være en af metoderne til at lave mere faste analyser på store datamængder. Specialapplikationer kan både være fleksible og afkoble behovet for det dybt tekniske datakendskab, samt performancetunes, testes og driftes til stor sikkerhed og stabilitet. 5
6 Der er en række velegnede generelle programmeringssprog, samt færdige plugins, der kan indgå i descideret specialudviklet software. Det er primært.net sprog som C#, F# samt Java. Python sproget er et andet generelt sprog som hyppigt indgår i big-data sammenhænge. Targit, Qlik, Tableau (mfl) Disse tre værktøjer har ikke den matematisk/statistiske analyse som mål, men derimod visualisering og tabulering af data for slutbrugeren. Alle tre er de baseret på en prædefineret infrastruktur hvor data er lagt til rette med henblik på individuel anvendelse indenfor forud definerede rammer og er eksponenter for hvad Targit benævner Guided Analytics. Der stilles således ikke særlige krav til brugerens analytiske kompetencer ud over den intuitive forståelse af data som gode visualiseringer kan give. Værktøjerne understøtter i første række den operationelle analyse af historiske data holdt op mod feks målsætninger og KPI er. Targit er velkendt i landbrugsmæssig sammenhæng og benyttes bla sammen med Navision. Det er baseret på datakuber som udtrækkes fra en databaseserver. Qlik og Tableau er konkurrenter til Targit og bevæger sig indenfor det samme felt af visualisering og dashboarding funktionalitet. Alle værktøjerne har web-funktionalitet. Microsoft PowerBI og Reporting Services Microsoft har til dels opgivet Excel som det eneste visualiseringsværktøj. I stedet har man udviklet PowerBI som et værktøj der kan spørge på og visualisere data fra en række datakilder. Inden for en organisatiions Office 365 domæne kan de færdige visualiseringer deles og bruges som web/mobile dashboards. Det er muligt at integrere R script i PowerBI. PowerBI er ikke nær så modent og dækkende som Targit, Qlik og Tableau, men er i udgangspunktet gratis. En række delingsfunktioner kræver dog en Pro udgave som er betalbar pr bruger. Bindingen til Office 365 gør imidlertid at PowerBI, i den decentrale adgangsstruktur i landbruget, ikke umiddelbart kan benyttes effektivt på tværs og overfor landmænd. Til intern anvendelse i en virksomhed er det derimod et udmærket og enkelt supplement til Excel. Reporting Services er en del af Sql server og er Microsofts bud på Enterprise Reporting. I den seneste udgave af Sql Server er det komplet fornyet, og efter en række års dvale, har investerer Microsoft igen i produktet. Reporting Services var oprindelig tænkt som et slutbruger rapporteringsværktøj, men i realiteten er det en ekspertopgave at bygge rapporter og grafik. Det kommer imidlertid iflg planerne til at kunne integrere PowerBI visualiseringer. Reporting Services indgår allerede som en del af større landbrugsfaglige løsninger og derfor er det et oplagt valg for faste rapporteringer også af analyser af store datamængder som opbyggesi fremtiden. 6
7 Datalagring og opslag Under analyser af de store datamængder ligger altid en infrastruktur til at opsamle, lagre og fremfinde data. Datalagrene og den tilhørende teknologi er ikke afgørende for analytikeren, men deres tilgængelighed og enkelhed er. Traditionelt benyttes i landbruget relationelle databaser (kaldet RDBMS, feks Oracle, IBM DB2, Microsoft Sequel Server) som kræver at overholder en fast form, et såkaldt skema, for at de kan lagres og genfindes. Denne meget faste struktur, baseret på såkaldt relationel algebra, bevirker at data dels fylder mindst muligt, dels er mulige at sammenknytte effektivt. Spørgesproget her er SQL som tidligere nævnt. I mindre omfang anvendes også allerede OLAP (Online Analytical Processing) kuber, som er specielt formatterede og meget hurtige, og som dannes som udtræk af relationelle databaser. Relationsdatabaser og kuber er fortrinsvis kommercielle produkter. NoSql databaser er datalagre som principielt ikke stiller noget forudgående krav til dataenes struktur. Data-skemaet etableres når man begynder at bruge data. For at større datamængder kan behandles effektivt foretages imidlertid som regel forskellige former for indexering af data. Til lagring af meget store datamængder i multi-tera-/petabyte størrelse er Hadoop (og tilknyttede produkter) det mest udbredte værktøj i dag. Det er baseret på at data spredes ud over en lang række servere og gennem en særlig algoritme spredes en forespørgsel over 100 eller 1000 vis af servere. Det kan være meget komplekst at benytte de algoritmer ( MapReduce eller segreger og aggreger ) der finder data i et Hadoop lager, men en række opensource projekter tilbyder SQL lignende forespørgsler mod Hadoop-data. Microsofts produkter som Excel og PowerBI (og mange andre) tilbyder interfaces til Hadoop. Hadoop er open source og oprindeligt opfundet hos Google. Det anvendes af bredt af store virksomheder som feks Facebook, og også danske virksomheder som Danske Bank og Nordea anvender Hadoop. Skalerbarheden i arbejdet store datamængder kan fremkomme ved at benytte cloud-tjenester som feks Microsoft Azure eller Amazon Webservices frem for at opbygge og vedligeholde egen infrastruktur. Begge disse leverandører tilbyder Hadoop som en service. Begynder vi i landbruget centralt at opsamle data som rammer big-data definitionen som nævnt i indledningen, vil Hadoop være et oplagt valg. Der er stor efterspørgsel på Hadoopkomptencer, men med det store antal implementeringer er Hadoop ved at blive de facto standard og et main-stream produkt. 7
8 Relative styrker/svagheder i overblik. Nedenstående skema giver en vurdering af på hvilke områder de enkelte værktøjer har deres kvalitative styrker og svagheder på en skala fra 1 (mindst) 5 (størst). Pga værktøjernes meget forskellige indsatsområder er der ikke tale om en sammenligning på tværs, men ved at finde en kvalitativ egenskab i overskriften er det muligt at udpege hvilke værktøjer der kan bringes i spil (eller ikke er relevante). Datalagring, big data (4 V'er) Datalagring, store datamængder Auto-analyse Dynamisk udtræk Statistisk Analyse Faste dataudtræk Mange datakilder Visualisering Rapportering Interaktivitet Dashboards Qlik, Targit, Tableau NA NA PowerBI NA NA Reporting Services NA NA NA Excel NA 2 2 NA R-Script 5 4 NA NA NA NA NA SQL-Script 1 5 NA NA NA NA NA NA Watson Analytics 2 NA NA 4 NA NA SAS, SPSS, MatLab 5 5 NA ?? 2 NA DataWarehouse (OLAP) NA NA NA 4 NA RDBMS NA NA NA NA NA NA NA NA NA 5 3 Hadoop/NoSql NA NA NA NA NA NA NA NA NA 1 5 Skala: 1-5 (?: ikke undersøgt) 8
Machine Learning til forudsigelser af central KPI
Machine Learning til forudsigelser af central KPI En case fra Banedanmark 07-05-2019 Konferencen Big Data, AI & Analytics Hvad skal vi med al den data? 1 Navn: Dorte-Lene Bacher Projektchef: Datadrevne
Læs mereIT-drift konferencen 2014. Big Data know. act. grow.
IT-drift konferencen 2014 Big Data know. act. grow. Kort om mig selv Jens-Jacob T. Aarup Medstifter / partner Salgs- og marketingdirektør Inspari A/S // 2 Passioneret omkring udnyttelse af data Fokuseret
Læs mereSQL ny front-end
SQL 2016 - ny front-end Overblik De største nyheder i SQL Server 2016 finder vi på front-enden, hvor en helt ny og redesignet rapporteringsplatform i Reporting Services er den fremadrettede grundstamme
Læs mereTænk ud af boksen med Microsoft Dynamics NAV og kig på Microsoft Dynamics NAV 2016
INDLÆG 02 DYNAMICS NAV Tænk ud af boksen med Microsoft Dynamics NAV og kig på Microsoft Dynamics NAV 2016 Peter G. Tranders 04.11.2015 CGI Group Inc. 2015 Peter G. Tranders Uddannelse Rolle Certificeringer
Læs mereVisualisering. Kan opdeles i 2 dele Præsentations værktøj Portal
Innofactor Plc 2000-2012 Visualisering Stigende krav til visualisering Brugervenlighed - flere brugere skal kunne anvende og lave visualiseringer Dynamisk Æstetisk Flere forskellige former for visualiseringer
Læs mereCLOUD COMPUTING VEJLEDNING I STORT OG SMÅT NÅR DU OVERVEJER AT GÅ I SKYEN
CLOUD COMPUTING VEJLEDNING I STORT OG SMÅT NÅR DU OVERVEJER AT GÅ I SKYEN WWW.JCD.DK HVAD ER CLOUD COMPUTING? Cloud er en fælles betegnelse for en række netbaserede løsninger løsninger du tidligere har
Læs mereOIS - Applikationskatalog
OIS - Applikationskatalog OIS arkitekturprodukter 25. januar 2018 Indledning Dokumentationen omkring OIS er struktureret med inspiration fra OIO Arkitekturguidens arkitekturreol, således at arkitekturprodukterne
Læs mereVirksomhedens informationssystem. Det elektroniske kontor. Elektronisk dokumenthåndtering Samfundet. Systembeskrivelse II IT og økonomi
Virksomhedens informationssystem Systembeskrivelse II IT og økonomi Det elektroniske kontor Elektronisk dokumenthåndtering Hvordan omlægger vi arbejdsgange, så elektronikken styrker vores arbejde? Data
Læs mereVejledning: Anvendelse af kuber på SLS data fra ØS LDV. Målgruppe: Slutbruger
Vejledning: Målgruppe: Slutbruger Juni 2008 Indholdsfortegnelse Indholdsfortegnelse 2 1 Indledning 3 1.1 To metoder til anvendelse af kuber med Excel 2003 3 2 Etablering af forbindelsen til kuber via Pivot-tabel
Læs merePHP Quick Teknisk Ordbog
PHP Quick Teknisk Ordbog Af Daniel Pedersen PHP Quick Teknisk Ordbog 1 Indhold De mest brugte tekniske udtryk benyttet inden for web udvikling. Du vil kunne slå de enkelte ord op og læse om hvad de betyder,
Læs mereBesvarelse af spørgsmål
Dato 10. juli 2015 J. nr.:. Initialer HAMI It Koncernadministration Tagensvej 18 2200 København N Tlf. nr. 72 48 75 00 info@phmetropol.dk www.phmetropol.dk CVR. 3089 1732 Besvarelse af spørgsmål 1.0 Indledning
Læs mereAPEX i Praksis Martin B. Nielsen. Navn. MBNDATA Emne
APEX i Praksis Martin B. Nielsen Navn MBNDATA Emne Foredragsholderen Oracle/APEX Arkitekt/udvikler/DBA Siden Oracle v.5 (1988) APEX Siden 2007, men før (Database provider, HTMLDB) MBNDATA siden 1996 MBNDATA
Læs mereHvorfor starte fra bunden?
! Hvorfor starte fra bunden? Udrul BI4Dynamics på blot 1 dag! Installationsguiden opbygger det komplette data warehouse på Microsoft SQL Server og udruller OLAP kuber i Microsoft Analysis Services. Under
Læs mereSEGES Koncern Digital Personaliseret visning af information på LandbrugsInfo Ansvarlig AXH
Notat SEGES Koncern Digital Personaliseret visning af information på LandbrugsInfo Ansvarlig AXH Projekt: 7464, Digitale Relationer og datadreven informationsformidling Oprettet 20-12-2016 Side 1 af 12
Læs mereDM08115 DATABASE 08.06.2010
Hvad er OLAP OLAP er en databaseteknologi, der er blevet optimeret til forespørgsler og rapportering i stedet for behandling af transaktioner. Kildedataene for OLAP er OLTP- databaser (Online Transactional
Læs mereSOL - et Statistik Og Ledelsesrapporteringssystem til TDC Mobil Analyse og Økonomi
En software produktion af Firma Joakim Dalby hos TDC Mobil SOL - et Statistik Og Ledelsesrapporteringssystem til TDC Mobil Analyse og Økonomi En datawarehouse løsning med data fra mange kilder, og præsentation
Læs mereKom godt i gang med Digital Transformation via din Microsoft ERP-platform
INDLÆG 16 DIGITAL TRANSFORMATION Kom godt i gang med Digital Transformation via din Microsoft ERP-platform Shila Henriksen 03.11.2015 CGI Group Inc. 2015 Shila Henriksen Uddannelse Civiling, Software Eng.
Læs mereER DIT ØKONOMITEAM MED PÅ DEN DIGITALE BØLGE?
ER DIT ØKONOMITEAM MED PÅ DEN DIGITALE BØLGE? ER DIT ØKONOMITEAM MED PÅ DEN DIGITALE BØLGE? Digital transformering har en stor påvirkning på arbejdsgangene hos CFO erne. Den digitale bølge giver nye muligheder,
Læs mereIntroduktion til Microsoft R. Steen Dybboe, Pragmatic BI MsBIP 2017 Aarhus
Introduktion til Microsoft R Steen Dybboe, Pragmatic BI MsBIP 2017 Aarhus Agenda Introduktion til R Data Scientists Microsoft R implementering R + SQL SQL + R Hvem er jeg Steen Dybboe Selvstændig konsulent
Læs mereDigitale kompetencebehov på Fyn Udarbejdet for Odense Kommune og Technology Denmark. August 2017
Digitale kompetencebehov på Fyn Udarbejdet for Odense Kommune og Technology Denmark August 2017 Definition af digitale kompetencer Digitale kompetencer er viden om og forståelse for relevante digitale
Læs mereBusiness Intelligence
Business Intelligence WHITE PAPER Version 5. marts 2019 Side 1 af 11 INDHOLD Business Intelligence... 3 Analyser... 4 Værdiskabelse... 4 Målrettede rapporter og dashboards... 5 Use cases... 5 En skræddersyet
Læs mereIntroduktion til SQL
Introduktion til SQL Introduktion til SQL 1. udgave, 1. oplag 2013 Copyright 2013 Libris Media A/S Forfatter: Bobby Henningsen Forlagsredaktion: Peter Wiwe og Louise Peulicke Larsen Omslag: Louise Peulicke
Læs mereFleksible målinger. Kogebog nr. 3: Platform og data. Sammen skaber vi smart forsyning Internet of Things Visning af data Cloud-løsning
Sammen skaber vi smart forsyning Fleksible målinger Kogebog nr. 3: Platform og data BI WEB Internet of Things Visning af data Cloud-løsning Internetkobling Databaser Netværk 23-01-2018 3. Kogebog: Platform
Læs mereSharePoint 2007 + 2010 Business Intelligence
SharePoint 2007 + 2010 Business Intelligence Modtager Forfatter Dato Version SPBG Martin Sams 1.0 Jeres indlægsholder i dag... Martin Norrbom Sams Direktør & Partner i ProActive 15 års professional erfaring
Læs mereVejledning: Anvendelse af kuber på NS-data fra LDV i Excel 2007. Målgruppe: Slutbruger
Vejledning: Anvendelse af kuber på NS-data fra LDV i Excel 2007. Målgruppe: Slutbruger April 2015 Indholdsfortegnelse Indholdsfortegnelse 2 1 Indledning 3 1.1 Metode til anvendelse af kuber med Excel 2007
Læs merePLAN OG UDVIKLING GIS-STRATEGI 2012-2016
PLAN OG UDVIKLING GIS-STRATEGI 2012-2016 Indhold 1 INDLEDNING 3 2 STRATEGIGRUNDLAGET OG HANDLINGSPLAN 5 3 VISION 6 4 PEJLEMÆRKER OG PRINCIPPER 8 4.1 TEKNOLOGI 8 4.1.1 Principper 8 4.2 KOMMUNIKATION 9 4.2.1
Læs mereNumeric Data Platform
Numeric Data Platform Fleksibel indsamling og deling af data Centrale og decentrale BI-løsninger Business Intelligence løsninger kan typisk opdeles i dels centraliserede data warehouse systemer med tilhørende
Læs mereTid til at se din virksomheds ERP i et nyt perspektiv
Tid til at se din virksomheds ERP i et nyt perspektiv Siden år 2000 er internettet og WEB blevet en naturlig del af enhver virksomhed. Men i virksomhederne mangler der sammenhæng mellem økonomistyring,
Læs mereDigitale Videnssystemer: Notater
Digitale Videnssystemer: Notater Sigfred Hyveled Nielsen IVA / Københavns Universitet 3. Semester Denne tekst er skrevet af Sigfred Nielsen, og stillet til rådighed under Creative Commons Navngivelse-IkkeKommerciel-DelPåSammeVilkår
Læs mereSporbarhed og Rapportering i Quality Center. Kim Stenbo Nielsen NNIT Application Management Services
Sporbarhed og Rapportering i Quality Center Kim Stenbo Nielsen NNIT Application Management Services Indhold INTRODUKTION Hvem er jeg Hvad vil jeg fortælle om QC std. rapporteringsfaciliteter EXCEL RAPPORTER
Læs mereMicrosoft Dynamics CRM 2013
Microsoft Dynamics CRM 2013 Dashboard, PowerPivot og PowerView CRM User Group Denmark www.easyconsult.dk Præsentation Henrik Jensen Microsoft Dynamics CRM-arkitekt hj@easyconsult.dk Arbejdet med CRM-systemer
Læs mereData repository løsningsbeskrivelse
Indhold Dokument status... 1 Beskrivelse af ICT s Analytiske Arbejdsområde... 2 Teknisk setup med Hadoop og Hive... 2 Arbejdsområder... 2 Arbejdsområder Udestående:... 3 Arkivet... 3 Arkivet Udestående:...
Læs mereMicrosoft Executive Circle Arken 25 marts 2004 Økonomi & ledelsesrapportering hos Rambøll Danmark
Microsoft Executive Circle Arken 25 marts 2004 Økonomi & ledelsesrapportering hos Rambøll Danmark Indlæg ved: Michael Schad, økonom, Rambøll dir.support RAMBØLL Gruppen RAMBØLL Gruppen RAMBØLL Management
Læs mereMålstyring og nøgletal Erfaringer fra Lolland Forsyning
Målstyring og nøgletal Erfaringer fra Lolland Forsyning v. Gitte M. Jansen, NIRAS 1 Hvor skal vi hen? 2 1 Opsætning af mål og nøgletal (KPI) S pecifik M ålbar A ftalt R ealistisk T idsbestemt Vær så præcis
Læs mereIT opgave. Informationsteknologi B. Vejleder: Karl. Navn: Devran Kücükyildiz. Klasse: 2,4
IT opgave Informationsteknologi B Vejleder: Karl Navn: Devran Kücükyildiz Klasse: 2,4 Dato:03-03-2009 1 Indholdsfortegnelse 1. Indledning... 3 2. Planlægning... 3 Kommunikationsplanlægning... 3 Problemstillingen...
Læs mereRegion Nordjylland. Hvordan skaber et datavarehus værdi i en regional forvaltning? Juni 2015
Region Nordjylland Hvordan skaber et datavarehus værdi i en regional forvaltning? Juni 2015 Hvem er vi Hanne Purkær Fuldmægtig Koncern Økonomi (Systemejer) Region Nordjylland Dagligt ansvar for BI Jan
Læs mereBankInvest siger goddag til ny forretningsmæssig indsigt
BankInvest siger goddag til ny forretningsmæssig indsigt Farvel til Excel anarkiet og velkommen til ny indsigt og forretningsforståelse. Det er hovedgevinsten ved BankInvests nye data warehouse framework,
Læs merewww.saskurser.dk Praktisk information Tilmelding Du tilmelder dig telefonisk på 7028 2973 eller på:
Praktisk information Kursussteder Kurserne afholdes i SAS Knowledge & Education Centre på følgende adresser: København - Købmagergade 7-9, 1150 København K Skanderborg - Kr. Kielbergsvej 3, 8660 Skanderborg
Læs mereKan du forudse din efterspørgsel?
Kan du forudse din efterspørgsel? Demand forecasting i Dynamics 365 Demand forecasting Dynamics 365 for Operations Dynamics 365 gør intelligent forecasting tilgængelig for alle virksomheder, bryder med
Læs mereOnline kursus: Data Science
Online kursus 365 dage DKK 8.999 Nr. 90210 P ekskl. moms Data science går ud på at finde ny viden ved hjælp af store datamængder. Med denne kursuspakken kommer du hele vejen rundt om de værktøjer og den
Læs mereFLIS-projektets mål og prioritering
FLIS-projektets mål og prioritering Den 5. december 2018 fastlagde FLIS styregruppen 10 projektmål for FLIS-projektet. Målene bygger på FLIS strategien fra 2015, input fra FLIS følgegruppen og den løbende
Læs mereBusiness intelligence til it-medarbejdere
Business intelligence til it-medarbejdere AGIDON Kursushæfte Effek viser dine arbejdsgange! Kursushæfte Indhold Fejl! Bogmærke er ikke defineret. Introduktion 5 Velkommen... 5 Indhold af kursusmateriale
Læs mereIndhold. Grundmodul. Teknologisk opbygning og indhold. Mulighed for udbygning. Forretningsmæssig funktionalitet
MVJTAS Indhold. Grundmodul Forretningsmæssig funktionalitet Teknologisk opbygning og indhold Mulighed for udbygning 2 Grundmodul Forretningsmæssig funktionalitet MVJ er specialtilpasset rammesystem til
Læs mereAARHUS UNIVERSITET. Økonomi 17. maj 2016
Vejledning til opdatering af excel ark i forbindelse med overgang til ny LDV AU skal overgå til en ny version af LDV, så AU er på niveau med resten af staten mht. til versionen af LDV. Excel ark som er
Læs mereInformation Integration
Databaser, efterår 2002 Information Integration Troels Andreasen Datalogiafdelingen, hus 42.1 Roskilde Universitetscenter Universitetsvej 1 Postboks 260 4000 Roskilde Telefon: 4674 2000 Fax: 4674 3072
Læs mereWEBBASERET BESLUTNINGSSTØTTEVÆRKTØJ TIL VANDFORVALTNINGEN I DANMARK. Oluf Z. Jessen - DHI
WEBBASERET BESLUTNINGSSTØTTEVÆRKTØJ TIL VANDFORVALTNINGEN I DANMARK Oluf Z. Jessen - DHI WEBBASERET BESLUTNINGSSTØTTEVÆRKTØJ TIL VANDFORVALTNINGEN I DANMARK Formål og baggrund Udfordringer og barrierer
Læs mere29. januar 2014 kl. 9.00 15.30
ITS inviterer til informationsdag 29. januar 2014 kl. 9.00 15.30 Over det seneste år, har ITS sat en række nye it-ydelser i søen. Informationsmødet er en mulighed for at få et samlet overblik over de nye
Læs mereHvad er BIM? Fra et bygningsdelsperspektiv
Hvad er BIM? Fra et bygningsdelsperspektiv BIM nævnes overalt i byggebranchen, men hvad er det? BIM er blevet et meget bredt begreb og omfatter mange aspekter af byggebranchen. Én af delene drejer sig
Læs mereSådan laver du nemme grafiker til din webshop. Erik Holflod Jeppesen
Sådan laver du nemme grafiker til din webshop Erik Holflod Jeppesen Sådan laver du nemme grafiker til din webshop Du og mange andre webshopejere har måske ikke adgang til professionelt software til at
Læs mereSTILLINGSOPSLAG MED HENBLIK PÅ OPRETTELSE AF EN RESERVELISTE
STILLINGSOPSLAG MED HENBLIK PÅ OPRETTELSE AF EN RESERVELISTE Stillingsbetegnelse Løsningsarkitekt og specialister inden for datavidenskab Ansættelsesgruppe/lønklasse AD 6 Kontrakttype Midlertidigt ansat
Læs mereBilag 6 Strategi og plan for it-understøttelse af folkeskolereformen
KØBENHAVNS KOMMUNE Børne- og Ungdomsforvaltningen Pædagogisk IT NOTAT 20-05-2014 Sagsnr. 2014-0080885 Bilag 6 Strategi og plan for it-understøttelse af folkeskolereformen It i undervisningen skal bidrage
Læs mereKvalitetsseminar. At sætte en standard, der skaber værdi. Copyright 2006, SAS Institute Inc. All rights reserved.
Kvalitetsseminar At sætte en standard, der skaber værdi Copyright 2006, SAS Institute Inc. All rights reserved. Udfordringer Store krav til kontrol og styring Sværere at skabe overblik over sager og medarbejdere
Læs mereHvad er BIM? Whitepaper. 3dbyggeri danmark. Fra et bygningsdels-perspektiv
Hvad er BIM? Fra et bygningsdels-perspektiv BIM nævnes overalt i byggebranchen, men hvad er det? BIM er blevet et meget bredt begreb og omfatter mange aspekter af byggebranchen. Én af delene drejer sig
Læs mereEG Bolig Ledelsesinformation BI på EG Bolig
EG Bolig Ledelsesinformation BI på EG Bolig EG Bolig Ledelsesinformation I det følgende vil vi gennemgå: Målsætninger Analyse eksempler Teknik og infrastruktur Målgrupper EG Copyright 2013 2 EG Bolig Ledelsesinformation
Læs mereMovia Rejsekort Analyse System. Opbygning af et driftssystem
Movia Rejsekort Analyse System Opbygning af et driftssystem About Rapidis Software developers and consultants in Logistics, Transport and Public Transportation. All products and solutions are based on
Læs mereWeb services i brug. Anvendelse uden for biblioteksverdenen
Web services i brug Anvendelse uden for biblioteksverdenen Agenda Visionen bag webservices Tre cases Et kig fremad Nordija Etableret i marts 1998 Udviklingsprojekter Forretningskritiske applikationer Komponenter
Læs mereSYSTEMDOKUMENTATION AF POC
DIGITALISERINGSSTYRELSEN POC PÅ ORKESTRERINGSKOMPONENTEN SYSTEMDOKUMENTATION AF POC Version: 1.1 Status: Endelig Godkender: Forfatter: Copyright 2019 Netcompany. All rights reserved Dokumenthistorik Version
Læs mereCV - Michael Hviid. Januar 2003- august 2008 Rehfeld Partners Projektleder. Juli 1998 - December 2002 Egen konsulentvirksomhed 1998-2002
CV - Michael Hviid Kontaktoplysninger Michael Hviid Platanvej 23 4000 Roskilde Mobil 4057 4606 E-mail: mh@zy.dk Profilresume Michael har mere end 20 års erfaring med projekt- og udviklingsarbejde i itbranchen.
Læs mereSe små to minutters video om redigering af Flipboard magasiner på https://youtu.be/knlltjilgvs
Notat SEGES P/S Koncern Digital Udnyttelse af nye publiceringsformer og samskabelse Ansvarlig JPH Projekt: 7464, Digitale relationer og datadreven informationsformidling Oprettet 01-2016 Side 1 af 14 Udnyttelse
Læs mereBaggrund Funktionsområder
1 Baggrund 2 Funktionsområder 2.1 Trænings og øve område 2.2 Elektroniske formularer 2.3 Nyhedsfunktion 2.4 Online vejledninger 2.5 erekruttering 2.6 Personale-, publikations- og projektdatabaser 2.7 Blogs
Læs mereData Warehouse Knowledge is Power - Sir Francis Bacon -
Data Warehouse 4. sem. datamatiker uddannelse Tietgen Skolen Odense Skrevet af Troels Markvard Andersen (DM08228) Knowledge is Power - Sir Francis Bacon - Troels Markvard Andersen Side 1 af 8 Forord /
Læs mereFremtidens disruption og teknologi i transportbranchen! Fremtiden kommer af sig selv, det gør fremskridtet ikke PH
Fremtidens disruption og teknologi i transportbranchen! Fremtiden kommer af sig selv, det gør fremskridtet ikke PH Fremtidsforsker Marianne Levinsen Cand.scient.pol. Fremforsk, Center for Fremtidsforskning
Læs mereMES Industriel IT SCADA Automation. AnaMo. Fremtidens ledelsesværktøj. (+45)
MES Industriel IT SCADA Automation Fremtidens ledelsesværktøj (+45) 97 52 50 22 info@frontmatec.com www.frontmatec.com Fremtidens ledelsesværktøj til forsyningsbranchen fra 3. parts systemer som f.eks.
Læs mereOpgrader til nyeste Dynamics AX version og profiter af løbende opdateringer
INDLÆG 13 : DYNAMICS AX Opgrader til nyeste Dynamics AX version og profiter af løbende opdateringer Tonny Bybæk, Lau Bøgelund Larsen Opgrader til nyeste Dynamics AX version og profiter af løbende opdateringer
Læs mereImport af udtræk af ODIN-data i Access-databaser
September 2006 OBS: Kun brugere, der har rettigheden Redningsberedskabsadministrator, kan eksportere data fra ODIN. Der er mange muligheder for udtræk af data fra ODIN, men ved at anvende udtrækkene Alarmer,
Læs mereMorten Rønborg PERSONLIGHED UDDANNELSE TEKNOLOGIER ERFARING. IT-Konsulent. Desktop Engineer
PERSONLIGHED Jeg er ambitiøs og har en høj arbejdsmoral, sætter pris på udfordringer og løser mine opgaver med stort engagement. Igennem de forskellige opgaver jeg har varetaget er jeg blevet god til at
Læs mereEn fleksibel og ligetil. løsning for alle. Få værdifuld indsigt med intelligent software
En fleksibel og ligetil løsning for alle Få værdifuld indsigt med intelligent software En fleksibel og ligetil løsning for alle Dialog Data har udviklet VIS - en samlet standard Business Intelligence-
Læs mereProgrammering 19/03-2012 ROSKILDE TEKNISKE GYMNASIUM. Projektbeskrivelse. Programmering. Rasmus Kibsgaard Riehn-Kristensen
ROSKILDE TEKNISKE GYMNASIUM Projektbeskrivelse Programmering Rasmus Kibsgaard Riehn-Kristensen 19-03-2012 Indholdsfortegnelse 1. Indledning... 3 2. Problemobservation.... 4 2.1 Egen erfaring... 4 3. Problemformulering...
Læs mereJan Hansen, AMP CMDB Specialist
Jan Hansen, AMP CMDB Specialist Hansen@ampartner.com Hvad er en CMDB? Et register over enheder (ITIL sk: Configuration Items eller CIs) CIs indeholder relevante oplysninger: attributter Sammenhænge eller
Læs mereDemonstration af SAS Activity-Based Management v7.1
Demonstration af SAS Activity-Based Management v7.1 Chefkonsulent Martin Ravnholt, SAS Institute Copyright 2011 SAS Institute Inc. All rights reserved. Hvad vil jeg tale om den næste time? Nyeste modellerings-
Læs mereedrift - Installationsvejledning edrift i version NET Open Source
edrift - Installationsvejledning edrift i version 1.0 -.NET Open Source Indhold 15. november 2017 1. Forudsætninger... 2 1.1 Software... 2 1.2 Tilgang til og organisering af data... 2 2. Implementering
Læs mereAfdækning af digitale kompetencer 2013
Afdækning af digitale kompetencer 2013 Sådan kan du bruge nedenstående skema til at vurdere dine digitale kompetencer Når du skal vurdere dine personlige it og digitale kompetence i forhold til kategorien
Læs mereDin digitale samarbejdsplatform
Din digitale samarbejdsplatform Log på En digital løsning, der hjælper dig med at optimere din virksomhed Ét sted til kommunikation, dokumentation og finansiel indsigt DeloitteDirect er en digital samarbejdsplatform
Læs mereSpar tid og penge med SERTICA Maintenance
Tid til optimering Spar tid og penge med SERTICA Maintenance D Frigør ressourcer i den tekniske afdeling, og forlæng levetiden på dit udstyr med SERTICA - et fleksibelt softwaresystem, der administrerer,
Læs merehar jeg hentet nedenstående anmeldelse af et godt program til
Software Fra design af hjemmesider: har jeg hentet nedenstående anmeldelse af et godt program til Wordpress er intet mindre end et genialt program til hjemmesider. For det første er det gratis, og for
Læs mereByggeriets Evaluerings Center
Byggeriets Evaluerings Center Bygge Rating Notat om pointsystem til faktablade og karakterbøger for entreprenører og bygherrer Version 2015 Indholdsfortegnelse 1 Bygge Rating... 3 2 Bygge Rating for entreprenører...
Læs mereDrupal. Hvad er Drupal?
Drupal Verdens bedste Content Management System Drupal er to år i træk blevet kåret som det bedste Open Source CMS i den såkaldte CMS Award, som årligt afholdes af det anerkendte IT-bogforlag Packt Publishing.
Læs mereKURSUSKATALOG 2. HALVÅR 2019 VI STARTER DÉR, HVOR DU GÅR I STÅ
KURSUSKATALOG 2. HALVÅR 2019 VI STARTER DÉR, HVOR DU GÅR I STÅ Excel-kurser for dig, der allerede er god til Excel HAR DU FØR VÆRET PÅ EXCEL-KURSUS OG LÆRT EN MASSE FUNKTIONALITETER, SOM ER SVÆRE AT OMSÆTTE
Læs mere10 Vigtigste SEO Ranking Faktorer
10 Vigtigste SEO Ranking Faktorer Indledning 10 Vigtigste Ranking Faktorer Agilitor Der findes en lang række faktorer, der har indflydelse på din websites position i Google på forskellige søgeord. Faktisk
Læs mereYdelsesbeskrivelse - Rådgivning Bistand til administration og udvikling af Dynamisk Database. November 2018
Ydelsesbeskrivelse - Rådgivning Bistand til administration og udvikling af Dynamisk Database November 2018 Ydelsesbeskrivelse Dynamisk Database Dato 20. november 2018 Sagsbehandler Raza Muhammed Mail raz@vd.dk
Læs mereVejledning udvidelse af datagrundlag i LDV og Power BI
Vejledning udvidelse af datagrundlag i LDV og Power BI Målgruppe: IT-medarbejdere og brugere af LDV August 2018 Vejledning integration af ekstern data i LDV og Power BI Side 1 af 9 1. Indledning Vejledningen
Læs mereDatabasesystemer. Databaser, efterår Troels Andreasen. Efterår 2002
Databaser, efterår 2002 Databasesystemer Troels Andreasen Datalogiafdelingen, hus 42.1 Roskilde Universitetscenter Universitetsvej 1 Postboks 260 4000 Roskilde Telefon: 4674 2000 Fax: 4674 3072 www.dat.ruc.dk
Læs mereStrategiudrulning. Ledelsens vejledning. DI-version
DI-version 2013-11-20 Ledelsens vejledning 1-1-1 - STU - Ledelsens Vejledning - 2013-11-2011-20 Alle rettigheder tilhører DI side 1 af 9 Instruktion til kaizenleder Rettigheder DI ejer alle rettigheder
Læs mere3D matriklen i et fremtidsperspektiv
3D matriklen i et fremtidsperspektiv Lars Bodum Center for 3D GeoInformation Aalborg Universitet Esben Munk Sørensen Land Management Aalborg Universitet Hvad er problemet? Vi diskuterer mange gange løsninger
Læs mereFå mere succes med email marketing Velkomst flow og drop-basket flow mm. MailPlatform.dk - 2012
Få mere succes med email marketing Velkomst flow og drop-basket flow mm. MailPlatform.dk - 2012 Ordbog ECP = ecommerce platformen, dvs. shop systemet. EMM eller ESP = E-mail marketing platformen FB = FaceBook
Læs mereTietgenskolen - Nørrehus. Data warehouse. Database for udviklere. Thor Harloff Lynggaard DM08125
Tietgenskolen - Nørrehus Data warehouse Database for udviklere Thor Harloff Lynggaard DM08125 Juni 2010 Indhold Beskrivelse... 3 Data warehouse... 3 Generelt... 3 Sammenligning... 3 Gode sider ved DW...
Læs mereDen bedste løsning er den som bliver anvendt
Den bedste løsning er den som bliver anvendt RISMA Vi er dedikeret til din succes Pålidelig rettidig information spiller en nøglerolle for succes i dagens omskiftelige forretningsverden. Samtidigt har
Læs mereVI STARTER DÉR, HVOR DU GÅR I STÅ
Kom hurtigere i mål med dine Excel-opgaver VI STARTER DÉR, HVOR DU GÅR I STÅ Excel-kurser 2018 for dig, der allerede er hjemmevant i Excel Har du prøvet at være på Excel-kursus og haft oplevelsen af, at
Læs mereHuskesedler. Anvendelse af regneark til statistik
Huskesedler Anvendelse af regneark til statistik August 2013 2 Indholdsfortegnelse Aktivere Analysis Toolpak... 4 Dataudtræk fra Danmarks Statistik... 4 Kopiering af formler... 4 Målsøgning... 5 Normalfordeling...
Læs mere"A subject-oriented, integrated, time-variant, and non-volatile collection of data in support of managements dicision-making process.
Data warehouses Introduktion til Data Warehousing... 2 Konceptet bag et Data Warehouse... 2 Data Warehousets fordele... 3 Problemer med Data Warehouses... 3 OLTP vs EDW... 4 Data Warehouse Arkitektur...
Læs mereMaking digital life simple on this small planet
Making digital life simple on this small planet The Mission Verden er som altid i bevægelse, Onscope ser det som sin mission at skabe eller integrere det digitale workflow med den fysiske verden. Digitalisering
Læs mereInternet Information Services (IIS)
Internet Information Services (IIS) Casper Simonsen & Yulia Sadovskaya H1we080113 06-11-2013 Indholdsfortegnelse Problemformulering... 2 Hvorfor:... 2 Hvad:... 2 Hvordan:... 2 Problembehandling... 3 Introduktion...
Læs mereOS2 Opgavefordeler. Løsningsbeskrivelse Version 2. Udarbejdet af Miracle A/S Simon Møgelvang Bang smb@miracle.dk
OS2 Opgavefordeler Løsningsbeskrivelse Version 2 Udarbejdet af Miracle A/S Simon Møgelvang Bang smb@miracle.dk 15/2/2015 Løsningsbeskrivelse for OS2 Opgavefordeler 1. Introduktion... 3 2. Kontekst... 3
Læs mereHigh-Performance Data Mining med SAS Enterprise Miner 14.1
High-Performance Data Mining med SAS Enterprise Miner 14.1 nye procedurer til en mere effektiv modeludviklingsproces Kristina Birch, Advisory Analytical Consultant, SAS Institute Indhold Hvad er High-Performance
Læs merePID2000 Archive Service
PROLON CONTROL SYSTEMS Herstedvesterstræde 56 DK-2620 Albertslund Danmark Tlf.: (+45) 43620625 Fax: (+45) 43623125 PID2000 Archive Service Bruger vejledning Juni 2002 Denne manual beskriver brugen af softwaren
Læs mereBring lys over driften af belysningen
Bring lys over driften af belysningen CityTouch LightPoint Asset Management system for belysning CityTouch LightPoint / Asset Management 3 Velkommen til den nye intelligens inden for belysning. Professionel
Læs mereNemRolle. KOMBIT adgangsstyring med sikkerhed og overblik. Beskrivelse af funktioner og anvendelse
NemRolle KOMBIT adgangsstyring med sikkerhed og overblik Beskrivelse af funktioner og anvendelse NemRolle KOMBIT adgangsstyring med sikkerhed og overblik NemRolle er en samlet, komplet løsning til administration
Læs mereDatabaseadgang fra Java
Databaseadgang fra Java Grundlæggende Programmering med Projekt Peter Sestoft Fredag 2007-11-23 Relationsdatabasesystemer Der er mange databaseservere Microsoft Access del af Microsoft Office MySQL god,
Læs mereKURSUSKATALOG 1. HALVÅR 2019 VI STARTER DÉR, HVOR DU GÅR I STÅ
KURSUSKATALOG 1. HALVÅR 2019 VI STARTER DÉR, HVOR DU GÅR I STÅ Excel-kurser for dig, der allerede er hjemmevant i Excel HAR DU FØR VÆRET PÅ EXCEL-KURSUS OG LÆRT EN MASSE FUNKTIONALITETER, SOM ER SVÆRE
Læs mereUnderbilag 2.24 Kommunernes it-miljø Kommunernes Ydelsessystem
Underbilag 2.24 Kommunernes it-miljø Kommunernes Ydelsessystem Indholdsfortegnelse 1 Indledning... 3 2 Sagsbehandling Klientmiljø... 3 2.1 Operativsystem... 3 2.2 Browser... 5 2.3 Runtime Miljøer... 6
Læs mere