wh e paper budowanie korzystnych relacji z klientami wykorzystanie technik dr¹ enia danych (data mining)

Wielkość: px
Rozpocząć pokaz od strony:

Download "wh e paper budowanie korzystnych relacji z klientami wykorzystanie technik dr¹ enia danych (data mining)"

Transkrypt

1 budowanie korzystnych relacji z klientami wykorzystanie technik dr¹ enia danych (data mining)

2 Hurtownia zawieraj¹ca dane o klientach i dane marketingowe zosta³a ju zbudowana. Powstaje teraz pytanie, jak zrobiæ dobry u ytek ze zgromadzonych danych? Zarz¹dzanie relacjami z klientami (ang. CRM Customer Relationship Management) pozwala firmom nawi¹zywaæ i utrzymywaæ bardziej efektywne kontakty z klientami, równoczeœnie czyni¹c wspó³pracê z nimi bardziej przyjazn¹ dziêki personalizacji. Aby odnosiæ sukcesy stosuj¹c CRM, firmy musz¹ odpowiednio dobieraæ i dopasowywaæ produkty i kampanie do ich odbiorców adresatów kampanii oraz potencjalnych klientów. Innymi s³owy, firmy musz¹ rozs¹dnie zarz¹dzaæ cyklem ycia swoich klientów. Do niedawna wiêkszoœæ aplikacji z zakresu CRM koncentrowa³a siê na upraszczaniu procesu organizacji i zarz¹dzania informacjami o klientach. Podstawowym celem tego typu oprogramowania, nazywanego operacyjnym CRM, jest stworzenie bazy danych ukazuj¹cej przekrojowy obraz relacji klienta z firm¹ oraz dostarczanie uzyskanych w ten sposób informacji pod k¹tem konkretnych zastosowañ tam, gdzie zostan¹ one wykorzystane, zw³aszcza w dzia³ach stanowi¹cych punkty styku z klientami. Chodzi tu miêdzy innymi o automatyzacjê pracy s³u b handlowych i zastosowania w dzia³ach obs³ugi klienta. Dopiero jednak wzrost iloœci informacji o klientach i rosn¹ca z³o onoœæ interakcji zachodz¹cych pomiêdzy firm¹ a klientami sprawi³y, e dr¹ enie danych sta³o siê niezbêdnym elementem narzêdzi s³u ¹cych podnoszeniu zyskownoœci relacji z klientami. Dr¹ enie danych jest procesem odkrywania wzorców i zale noœci istniej¹cych w danych. Pozwala on zrozumieæ potrzeby klientów i przewidywaæ ich zachowania. Wykorzystuje w tym celu ogromn¹ liczbê ró norodnych technik analizy danych i modelowania. Dr¹ enie danych mo e pomóc wyodrêbniæ w³aœciw¹ grupê potencjalnych klientów, na której warto siê skoncentrowaæ. Wskazuje tak e, które dodatkowe produkty warto zaoferowaæ klientom ju wczeœniej pozyskanym oraz pozwala zidentyfikowaæ tych spoœród wartoœciowych klientów, co do których mo na przypuszczaæ, e mog¹ zostaæ utraceni na rzecz konkurencji. Efektem tych dzia³añ jest wzrost dochodów dziêki znacznej poprawie umiejêtnoœci reagowania na ka dy pojedynczy kontakt w najlepszy mo liwy sposób oraz dziêki redukcji kosztów wynikaj¹cej z w³aœciwego dysponowania zasobami. Aplikacje CRM wykorzystuj¹ce dr¹ enie danych nazywane s¹ analitycznym CRM. W materiale tym opisujemy ró ne aspekty analitycznego CRM i pokazujemy, jak mo e on byæ wykorzystywany do bardziej efektywnego zarz¹dzania cyklem ycia klienta. Proszê zwróciæ uwagê, e przytoczone studia przypadków fikcyjnych firm s¹ oparte na rzeczywistych zastosowaniach aplikacji do dr¹ enia danych. dr¹ enie danych Pierwszym i najprostszym krokiem analitycznym w procesie dr¹ enia danych jest wstêpna eksploracja danych. Mo na na przyk³ad wyliczyæ wielkoœci opisuj¹ce dane (takie jak œrednia i odchylenie standardowe), dokonaæ przegl¹du danych za pomoc¹ wykresów i tabel oraz rzuciæ okiem na rozk³ad danych. Opis danych sam w sobie nie dostarcza jednak planu i wskazówek do dalszego dzia³ania. Konieczne jest zbudowanie modelu predykcyjnego w oparciu o wzorce wyznaczone przez ju poznane wyniki, a nastêpnie przetestowanie modelu na danych, które nie by³y wykorzystywane do jego budowy. Trzeba pamiêtaæ, e nawet dobrego modelu nigdy nie nale y uwa aæ za wiern¹ reprezentacjê rzeczywistoœci (jak wiadomo mapa drogowa nigdy dok³adnie nie przedstawia drogi), mo e on natomiast byæ u ytecznym przewodnikiem do zrozumienia prowadzonej dzia³alnoœci. 2

3 Dr¹ enie danych mo e byæ wykorzystywane zarówno do klasyfikacji, jak i regresji. W przypadku klasyfikacji celem jest okreœlenie, do jakiej kategorii mo na zaliczyæ przedmiot badania np. czy dana osoba stwarza potencjalne ryzyko kredytowe, czy nie, któr¹ z wielu przedstawionych ofert dana osoba jest sk³onna zaakceptowaæ, itp. Natomiast w przypadku regresji celem jest okreœlenie takiej liczby jak np. prawdopodobieñstwo, e dana osoba odpowie na ofertê. W zarz¹dzaniu relacjami z klientem (CRM) dr¹ enie danych jest czêsto wykorzystywane do przypisywania klientowi (lub potencjalnemu klientowi) wartoœci reprezentuj¹cej prawdopodobieñstwo, e zachowa siê w oczekiwany sposób. Wartoœæ ta mo e okreœlaæ np. sk³onnoœæ do odpowiedzi na okreœlony typ oferty lub prawdopodobieñstwo odejœcia do konkurencji. Dr¹ enie danych jest te czêsto wykorzystywane do identyfikowania zestawu cech (zwanych profilem), które umo liwiaj¹ podzia³ klientów na grupy o podobnych zachowaniach, takich jak np. kupowanie okreœlonego produktu. Specjalny rodzaj klasyfikacji mo e s³u yæ do rekomendacji produktów w oparciu o podobieñstwo zainteresowañ okreœlonych grup klientów. Czasami okreœla siê to mianem filtrowania asocjacyjnego (collaborative filtering). Techniki dr¹ enia danych wykorzystywane do rozwi¹zywania zadañ zwi¹zanych z klasyfikacj¹, regresj¹ i filtrowaniem asocjacyjnym zosta³y skrótowo przedstawione na koñcu niniejszego materia³u. definiowanie CRM CRM w najszerszym znaczeniu oznacza po prostu zarz¹dzanie ca³oœci¹ kontaktów zachodz¹cych pomiêdzy firm¹ a jej klientami. W praktyce oznacza to koniecznoœæ wykorzystywania informacji o klientach i potencjalnych klientach w celu realizacji takiej wspó³pracy z nimi, która bêdzie przynosiæ firmie mo liwie najwiêksze korzyœci na wszystkich etapach kontaktów z klientami. Poziomy te przedstawia siê jako cykl ycia klienta. Cykl ycia klienta sk³ada siê z trzech etapów: pozyskiwania klientów podnoszenia wartoœci klientów zatrzymywania dobrych klientów Dr¹ enie danych mo e poprawiæ wyniki finansowe, jakie firma osi¹ga na ka dym z tych etapów. Konieczne jest tylko w³¹czenie ich do systemu operacyjnego CRM lub wdro enie jako niezale nej aplikacji. efektywne pozyskiwanie nowych klientów dziêki dr¹ eniu danych Pierwszym krokiem w CRM jest zidentyfikowanie potencjalnych klientów i przekszta³cenie ich w klientów. Popatrzmy, jak dr¹ enie danych mo e pomóc optymalizowaæ koszty i zwiêkszyæ efektywnoœæ kampanii pozyskiwania klientów. Big Bank i Credit Card Company (BB&CC) przeprowadza rocznie 25 akcji direct mail do potencjalnych klientów. Przesy³ki te zawieraj¹ ofertê karty kredytowej. Ka da kampania kierowana do jednego miliona 3

4 odbiorców charakteryzowa³a siê podobnym jednoprocentowym poziomem konwersji oznaczaj¹cym odsetek adresatów oferty, którzy staj¹ siê klientami posiadaczami kart kredytowych. Sk³onienie ludzi do wype³nienia formularza aplikacyjnego stanowi dopiero pierwszy krok. W kolejnym kroku BB&CC musi zdecydowaæ, czy aplikant reprezentuje zadowalaj¹cy profil pod k¹tem potencjalnego ryzyka i zaakceptowaæ jego wniosek o wydanie karty (co czyni aplikanta klientem) lub wniosek odrzuciæ. Nie jest zaskoczeniem, e ludzie charakteryzuj¹cy siê wiêkszym ryzykiem kredytowym chêtniej odpowiadaj¹ na ofertê ni ci, którzy stwarzaj¹ potencjalnie mniejsze zagro enie. Tak wiêc, podczas gdy 6% adresatów odpowiada na ofertê przesy³aj¹c wniosek o wydanie karty, jedynie 16% z nich charakteryzuje siê odpowiednim poziomem bezpieczeñstwa. St¹d w³aœnie wynika, e tylko oko³o 1% adresatów oferty staje siê ostatecznie klientami firmy. WskaŸnik odpowiedzi na poziomie 6% oznacza dla BB&CC tylko osób ubiegaj¹cych siê o przyznanie karty spoœród , do których wys³ano ofertê. Jeœli BB&CC nie zmieni³oby sposobu pozyskiwania klientów poprzez u ywanie ró nych list adresowych i docieranie do potencjalnych klientów za pomoc¹ wielu ró nych sposobów, dostosowuj¹c warunki ofert do danego klienta nie by³oby w stanie wygenerowaæ wiêcej ni odpowiedzi. Natomiast z tych tylko stanowi¹ klienci charakteryzuj¹cy siê niskim poziomem ryzyka. Wyzwaniem dla BB&CC by³o zatem docieranie do tych osób w sposób bardziej precyzyjny. BB&CC wydaje oko³o $1 na jeden list z ofert¹, co w sumie generuje koszty w wysokoœci $ przypadaj¹ce na jedn¹ akcjê promocyjn¹. W okresie kilku lat klienci pozyskani w wyniku tej akcji przynios¹ bankowi $ zysku brutto (oko³o $ 125 na ka dego klienta), co w efekcie daje $ zwrotu z inwestycji poniesionej na tê akcjê. Dziêki zastosowaniu dr¹ enia danych nast¹pi³a poprawa stopy zwrotu. Chocia dr¹ enie danych nie pozwoli³o precyzyjnie zidentyfikowaæ tych potencjalnych u ytkowników kart kredytowych, to jednak pomog³o skoncentrowaæ wysi³ki marketingowe i uczyniæ je bardziej efektywnymi pod wzglêdem kosztów. W pierwszej kolejnoœci BB&CC wys³a³o testow¹ partiê ofert w iloœci sztuk do potencjalnych klientów i uwa nie przeanalizowa³o wyniki, buduj¹c (przy wykorzystaniu drzew decyzyjnych) model predykcyjny wskazuj¹cy, kto odpowie na ofertê. Zbudowano tak e (stosuj¹c sieci neuronowe) model oceniaj¹cy bezpieczeñstwo kredytowe aplikantów. BB&CC po³¹czy³o nastêpnie obydwa modele, aby wytypowaæ osoby, które reprezentowa³y zarówno odpowiedni poziom bezpieczeñstwa kredytowego, jak i zamierza³y odpowiedzieæ na ofertê. Nastêpnie BB&CC zaaplikowa³o zbudowany model do adresowej bazy wysy³kowej pozosta³ych osób, spoœród których wytypowano jako adresatów oferty. Rezultat? Z wys³anych ofert (w tym ofert wys³anych testowo) BB&CC otrzyma³o wniosków aplikacyjnych od osób ubiegaj¹cych siê o karty kredytowe i reprezentuj¹cych zadowalaj¹cy poziom bezpieczeñstwa kredytowego. Innymi s³owy poziom zwrotu z inwestycji wzrós³ z 1% do 1,2%, co oznacza dwudziestoprocentowy wzrost. Mimo, e wysy³ka przygotowana na podstawie stworzonego modelu dociera do z osób potencjalnie zainteresowanych z³o eniem wniosku o przyznanie karty kredytowej (model idealny nie istnieje), to dotarcie z ofert¹ do pozosta³ego tysi¹ca potencjalnych klientów nie jest op³acalne. W razie wys³ania oferty do pozosta³ych osób z wysy³kowej bazy adresowej w celu dotarcia do pominiêtego tysi¹ca potencjalnych klientów, trzeba by ponieœæ dodatkowy koszt $ co da³oby (zgodnie z wczeœniejszymi wyliczeniami) zysku brutto, czyli w efekcie stratê w wysokoœci $

5 poprzednia wersja nowa wersja ró nica liczba wys³anych ofert koszt wysy³ki iloœæ odpowiedzi zysk brutto uwzglêdniaj¹cy koszty operacyjne, przypadaj¹cy na jedn¹ odpowiedÿ szt szt szt. $ $ $ szt szt szt. $125 $125 $0 Rysunek 1. Tabela podsumowuj¹ca dokonane obliczenia i obrazuj¹ca rezultaty ca³kowity zysk brutto $ $ $ ca³kowity zysk netto $ $ $ koszt poniesiony na przygotowanie modelu zysk netto $0 $ $ $ $ $ Warto zwróciæ uwagê na fakt, e zysk z oferty wzrós³ o $ Nawet uwzglêdniaj¹c wydatek $ na oprogramowanie do dr¹ enia danych, sprzêt komputerowy i pracowników zatrudnionych do przeprowadzenia analiz i modelowania, wzrost zysku jest w dalszym ci¹gu znaczny $ z jednej akcji. Taka kwota przek³ada siê na wspó³czynnik zwrotu z inwestycji (ROI) w dr¹ enie danych rzêdu 200 %, co dalece przekroczy³o oczekiwania BB&CC. zwiêkszanie wartoœci klienta: zwiêkszanie sprzeda y krzy owej dziêki dr¹ eniu danych Cannons & Carnations (C&C) jest firm¹ specjalizuj¹c¹ siê w sprzeda y antycznych dzia³ i moÿdzierzy, s³u ¹cych jako ogrodowe donice do kwiatów. Firma C&C sprzedaje tak e donice kwiatowe do wnêtrz wykonane z wielkokalibrowych antycznych pistoletów oraz posiada w ofercie kolekcjê muszkietów zamienionych na stojaki do kwiatów o d³ugich ³odygach. Firmowy katalog C&C wysy³any jest do oko³o gospodarstw domowych. Jeœli to jest mo liwe, C&C identyfikuje klienta dzwoni¹cego do firmy w celu z³o enia zamówienia u ywaj¹c jego Numeru Klienta. Jeœli identyfikacja rozmówcy poprzez Numer Klienta nie jest mo liwa, przedstawiciel firmy prosi o numer telefonu lub numer z etykiety adresowej katalogu, który klient otrzyma³. Nastêpnie przedstawiciel poszukuje klienta w bazie danych przy pomocy tych numerów i postêpuje dalej zgodnie z procedur¹ przyjmowania zamówieñ. Firma C&C zyskuje w ten sposób doskona³¹ okazjê do zastosowania sprzeda y krzy owej (cross selling) lub sprzedania osobie dzwoni¹cej dodatkowych towarów. W C&C zauwa ono jednak, e jeœli pierwsza sugestia jest nietrafiona i pracownik proponuje kolejn¹ rzecz, klient mo e siê zirytowaæ i zakoñczyæ rozmowê bez zamówienia czegokolwiek. A s¹ wœród zamawiaj¹cych te tacy klienci, którzy nie toleruj¹ jakichkolwiek prób dokonania sprzeda y krzy owej. Przed wdro eniem dr¹ enia danych C&C niechêtnie stosowa³o sprzeda krzy ow¹. Bez odpowiedniego modelu predykcyjnego szanse dokonania w³aœciwej rekomendacji by³y jak jeden do trzech. Ponadto, poniewa próby dokonania rekomendacji by³y ca³kowicie nieakceptowane przez niektórych klientów, 5

6 firma C&C chcia³a byæ zupe³nie pewna, e nie pojawi siê sugestia rekomendacji w przypadkach, gdy pojawiæ siê nie powinna. Podczas próbnej akcji liczba sfinalizowanych transakcji by³a mniejsza ni 1% przy jednoczesnym znacznym poziomie reklamacji. Z tego powodu w C&C niechêtnie odnoszono siê do kontynuowania praktyk sprzeda y krzy owej przy tak ma³ym zysku. Sytuacja zmieni³a siê radykalnie, kiedy w C&C zastosowano dr¹ enie danych. Obecnie stworzony model predykcyjny pracuje na posiadanych przez firmê danych. Wykorzystuj¹c informacje o klientach zawarte w bazie danych oraz te pochodz¹ce z nowo sk³adanego zamówienia, model podpowiada pracownikowi dzia³u obs³ugi klienta, co danemu klientowi mo na zaproponowaæ dodatkowo. Od tego czasu firma C&C sprzeda³a dodatkowe produkty dwóm procentom klientów i to niemal bez adnych reklamacji. Osi¹gniêcie tych mo liwoœci wymaga³o wdro enia procesu podobnego do tego, który mia³ miejsce w przypadku rozwi¹zania problemów z pozyskiwaniem potencjalnych klientów u ytkowników kart kredytowych firmy BB&CC. Tyle e w tym przypadku potrzebne by³y dwa modele. Pierwszy z nich s³u y³ przewidywaniu, czy dana osoba nie bêdzie przeciwna proponowaniu dodatkowego produktu. C&C sprawdzi³o reakcje klientów przeprowadzaj¹c bardzo krótki wywiad telefoniczny. Dla ostro noœci C&C traktowa³o ka dego respondenta odmawiaj¹cego udzia³u w wywiadzie jako osobê, która uzna sugerowanie dodatkowych produktów jako niestosowne i niepo ¹dane zachowanie. Nastêpnie, aby zweryfikowaæ poczynione za³o enie, C&C próbnie dokona³o rekomendacji dodatkowych produktów w odniesieniu do ma³ej, ale statystycznie istotnej próby grupy tych osób, które odmówi³y udzielenia odpowiedzi na pytania zawarte w wywiadzie. Ku zaskoczeniu C&C okaza³o siê, e poczynione za³o enie nie by³o s³uszne pomimo odmowy uczestnictwa w wywiadzie, niektóre z tych osób chêtnie przyjê³y rekomendacjê dodatkowych produktów. To odkrycie pozwoli³o C&C czêœciej proponowaæ dodatkowe produkty i dziêki temu zwiêkszyæ zyski. Drugi model natomiast s³u y³ przewidywaniu, która oferta bêdzie najlepiej przyjêta przez klienta. Wskutek wdro enia modeli analitycznych dr¹ enia danych do wszelkich dzia³añ CRM firmy, C&C uzyska³o wzrost rentownoœci o 2 punkty procentowe. zwiêkszanie wartoœci klienta: personalizacja dziêki dr¹ eniu danych Firma Ubrania Wielkiego Sama przygotowa³a serwis internetowy jako wsparcie dla swojego katalogu. Odwiedzaj¹cego stronê Wielkiego Sama serwis wita wyœwietlaj¹c komunikat: Witaj u nas!. Jednak jeœli odwiedzaj¹cy ju raz dokona zamówienia lub zarejestruje siê na stronie Wielkiego Sama, za ka dym nastêpnym razem witany jest po imieniu. Jeœli odwiedzaj¹cy sk³ada³ ju jakieœ zamówienia, Wielki Sam poinformuje go tak e o wszelkich nowych produktach, które mog³yby go zainteresowaæ. Gdy odwiedzaj¹cy ogl¹da jakiœ produkt, Wielki Sam sugeruje inne produkty, które mog¹ uzupe³niæ ten zakup. Gdy Wielki Sam po raz pierwszy uruchomi³ serwis, nie funkcjonowa³a tam adna metoda personalizacji. Strona by³a po prostu internetow¹ wersj¹ katalogu firmy ³adnie wykonan¹ i wygodn¹ w u yciu, która jednak nie pozwala³a wykorzystywaæ szans sprzeda y, jakie udostêpnia Internet. Zastosowanie dr¹ enia danych w znacz¹cy sposób wp³ynê³o na zwiêkszenie sprzeda y ze stron serwisu Wielkiego Sama. Katalogi czêsto grupuj¹ produkty wed³ug typu, aby u³atwiæ osobie odwiedzaj¹cej serwis wybór okreœlonych produktów. W sklepie internetowym natomiast grupy produktów mog¹ byæ ca³kowicie inne, czêsto tworzone mog¹ byæ doraÿnie, na podstawie analizy dotychczasowych zakupów 6

7 na zasadzie uzupe³niania siê produktów. W szczególnoœci, e serwis bierze pod uwagê nie tylko ten produkt, na który aktualnie klient patrzy, ale uwzglêdnia tak e te produkty, które klient ma ju w koszyku. Zyskuje siê dziêki temu jeszcze lepiej dopasowane rekomendacje. W serwisie Wielkiego Sama w pierwszej kolejnoœci wykorzystano analizê skupieñ, by stwierdziæ, które produkty grupuj¹ siê ze sob¹ w sposób naturalny. Niektóre grupy, takie jak koszule i spodnie by³y oczywiste. Inne, takie jak ksi¹ ki o wêdrówkach przez pustynie i zestawy przeciw uk¹szeniom wê y by³y niespodziank¹. Firma wykorzysta³a tê wiedzê do rekomendowania produktów za ka dym razem, gdy klient ogl¹da³ jakiœ produkt. Nastêpnie firma Ubrania Wielkiego Sama zbudowa³a profile klientów, aby lepiej identyfikowaæ osoby, które bêd¹ zainteresowane nowymi, czêsto dodawanymi do katalogu produktami. Okaza³o siê, e kierowanie ludzi do tych wybranych produktów skutkowa³o nie tylko znacz¹cym wzrostem sprzeda y, ale tak e wp³ywa³o na wzmocnienie wiêzi z klientami. Przeprowadzone badania wykaza³y, e firma Ubrania Wielkiego Sama jest postrzegana jako zaufany doradca w dziedzinie ubrañ i ekwipunku. Aby jeszcze bardziej powiêkszyæ zasiêg, firma Ubrania Wielkiego Sama wdro y³a program, dziêki któremu klienci mog¹ zdecydowaæ siê na otrzymywanie poczt¹ elektroniczn¹ informacji o wprowadzanych nowych produktach, które model analityczny dr¹ enia danych wska e jako potencjalnie interesuj¹ce dla nich. Klienci odebrali to jako kolejne aktywne dzia³anie w ramach polepszenia obs³ugi klienta, a firma odnotowa³a dziêki temu programowi zwiêkszenie zysków. Wysi³ek nakierowany na personalizacjê okaza³ siê dla firmy Ubrania Wielkiego Sama op³acalny. Dziêki temu osi¹gnê³a ona osi¹gnê³a znacz¹cy wzrost liczby kolejnych zakupów, œredniej liczby zakupów przypadaj¹cej na jednego klienta oraz wzrost œredniej wartoœci pojedynczej sprzeda y. zatrzymywanie dobrych klientów dziêki wykorzystaniu dr¹ enia danych W przypadku prawie ka dej firmy koszt pozyskania nowego klienta przewy sza koszty utrzymania dobrego obecnego klienta. Z tym problemem zwi¹zane te by³o wyzwanie, z którym przysz³o siê zmierzyæ firmie KnowService, dostawcy us³ug internetowych (ISP). Normalny dla tej bran y poziom utraty klientów wynosi 8% miesiêcznie. Poniewa KnowService obs³uguje klientów, oznacza to, e miesiêcznie odchodzi z nich. Koszt, jaki firma musi ponieœæ na zast¹pienie ich nowymi u ytkownikami, wynosi $200 na ka dego klienta, co daje ³¹czn¹ kwotê $ miesiêcznie. Stanowi³o to solidny bodziec do wdro enia programu zarz¹dzania i zapobiegania odchodzeniu klientów. Pierwsz¹ rzecz¹, jak¹ firma KnowService musia³a zrobiæ, by³o przygotowanie danych maj¹cych pos³u yæ przewidywaniu, którzy z klientów najprawdopodobniej odejd¹. KnowService musia³a wybraæ ze swojej bazy danych klientów odpowiednie zmienne i (czêsto) dokonaæ ich transformacji. Wiêkszoœæ klientów KnowService ³¹czy poprzez liniê telefonicznej (w odró nieniu od klientów korzystaj¹cych z ³¹czy sta³ych przez linie T1 lub DSL), dziêki czemu KnowService posiada informacjê, jak d³ugo dany u ytkownik by³ pod³¹czony do sieci. KnowService zna tak e iloœæ danych, jaka zosta³a pobrana i wys³ana przez danego klienta, iloœæ kont poczty elektronicznej posiadanych przez klienta, iloœæ wiadomoœci e mail wys³anych i odebranych, jak równie ma pe³n¹ informacjê o historii us³ug, z jakich klient korzysta³. KnowService posiada historiê p³atnoœci dokonanych przez klienta. Dodatkowo dysponuje danymi demograficznymi, podawanymi przez klienta w momencie rejestracji i podpisywania umowy o œwiadczenie us³ug. Nastêpnym zadaniem KnowService by³o zidentyfikowanie wartoœciowych klientów. By³a to kwestia 7

8 definicji biznesowej (taka sama, jak zyskownoœæ czy wartoœæ w czasie LTV) i odpowiedniej kalkulacji, a nie dr¹ enia danych. KnowService zbudowa³a model dokonuj¹cy profilowania klientów przynosz¹cych zyski oraz klientów, którzy ich nie przynosz¹. Model ten wykorzystano nie tylko w programie zatrzymywania klientów, ale tak e do identyfikacji klientów, którzy wprawdzie jeszcze nie s¹ zyskowni, ale rokuj¹ nadziejê na zyski w przysz³oœci. Nastêpnie firma KnowService zbudowa³a model pozwalaj¹cy przewidzieæ, którzy z jej klientów generuj¹cych zyski mog¹ odejœæ do konkurencji. Podobnie jak w wiêkszoœci zagadnieñ analitycznych dr¹ enia danych, tak i tu okreœlenie, których danych u yæ i jak dane te powi¹zaæ ze sob¹, by³o najistotniejsz¹ czêœci¹ budowy modelu. Dla przyk³adu KnowService chcia³a przyjrzeæ siê szeregom czasowym, takim jak miesiêczne charakterystyki korzystania z Internetu. Zamiast u ywaæ surowych danych o zmiennoœci w czasie, wyg³adzono dane za pomoc¹ trzymiesiêcznej œredniej ruchomej. Jednoczeœnie obliczono zmiany nastêpuj¹ce w trzymiesiêcznych œrednich i spróbowano wykorzystaæ je jako predyktor. Niektóre z czynników, które by³y dobrymi predyktorami, jak np. zmniejszaj¹ce siê korzystanie z us³ug, by³y raczej objawami ni przyczynami, które mo na by wi¹zaæ bezpoœrednio ze zjawiskiem odchodzenia do konkurencji. Inne predyktory, takie jak przeciêtna liczba rozmów telefonicznych z serwisem i zmiana œredniej liczby takich rozmów by³y wskaÿnikami problemów z satysfakcj¹ klienta, wartymi bli szego rozpoznania. Okreœlenie, którzy z klientów z najwiêkszym prawdopodobieñstwem odejd¹ do konkurencji, nie rozwi¹zywa³o jednak problemu. Opieraj¹c siê na wynikach modelowania KnowService zidentyfikowa³a programy i oferty, które, jak s¹dzono, powinny sk³oniæ klientów do pozostania. Na przyk³ad czas trwania po³¹czeñ niektórych klientów najbardziej sk³onnych do odejœcia do konkurencji by³ d³u szy ni przewidziana za zrycza³towan¹ op³atê liczba minut nawet w najwy szym planie taryfowym. Wskutek tego klienci ci zmuszeni byli p³aciæ bardzo wysokie op³aty dodatkowe za u ytkowanie. KnowService zaproponowa³a tym u ytkownikom nowy jeszcze dro szy plan taryfowy zawieraj¹cy znacznie wiêkszy limit czasu po³¹czeñ. Niektórym u ytkownikom zaoferowano wiêcej przestrzeni na w³asne strony WWW na serwerach. Nastêpnie KnowService zbudowa³a modele przewiduj¹ce, które oferty bêd¹ najbardziej efektywne dla poszczególnych u ytkowników. Podsumowuj¹c, projekt maj¹cy na celu zapobieganie i powstrzymywanie odchodzenia dobrych klientów do konkurencji wykorzystywa³ trzy modele. Pierwszy z nich identyfikowa³ tych spoœród klientów, którzy stwarzali zagro enie odejœcia, drugi wyszukiwa³ w tej grupie dobrych, generuj¹cych zyski klientów, których warto by³o zatrzymaæ, a których okreœlono jako zagro onych odejœciem, trzeci natomiast kojarzy³ potencjalnych odchodz¹cych klientów z ofert¹ najlepiej dopasowan¹ do ich potrzeb i sposobu korzystania z us³ug KnowService. Koñcowym efektem wdro enia tego projektu by³o zredukowanie odchodzenia klientów z 8% do 7,5%, co pozwoli³o KnowService zaoszczêdziæ $ miesiêcznie na samych tylko kosztach pozyskiwania nowych klientów. Inwestycja firmy KnowService w projekt analityczny dr¹ enia danych zwróci³a siê poprawiono relacje z klientami i w znacz¹cy sposób poprawiono zyskownoœæ. 8

9 zastosowanie dr¹ enia danych w zarz¹dzaniu relacjami z klientami (CRM) Aby zbudowaæ dobre modele opisuj¹ce zachowania klientów dla w³asnego systemu CRM, nale y najpierw wykonaæ szereg kroków przygotowuj¹cych. Opisany poni ej model procesu dr¹ enia danych firmy Two Crows jest podobny do innych metodologii dr¹ enia danych, takich jak CRISP DM (Cross Industry Standard Process for Data Mining) i ró ni siê g³ównie sposobem roz³o enia nacisków na poszczególne etapy realizacji procesu. Trzeba te wzi¹æ pod uwagê, e chocia poszczególne kroki zapisane s¹ w postaci listy, to proces dr¹ enia danych nie przebiega sekwencyjnie podczas jego realizacji niew¹tpliwie trzeba bêdzie wracaæ do wczeœniej ju zrealizowanych kroków. Dla przyk³adu to, co zostanie okreœlone na etapie trzecim eksploracji danych mo e spowodowaæ koniecznoœæ uzupe³nienia bazy danych i dodania do niej nowych pozycji, czyli powtórne przejœcie kroku drugiego. Pierwsze zbudowane modele analityczne mog¹ natomiast dostarczyæ przes³anek do utworzenia nowych zmiennych. Podstawowe kroki w procesie dr¹ enia danych dla celów wydajnego systemu CRM to: 1. okreœlenie celów biznesowych (zdefiniowanie pytañ); 2. budowa marketingowej bazy danych; 3. eksploracja danych; 4. przygotowanie danych do modelowania; 5. budowa modelu; 6. ewaluacja (doskonalenie) modelu; 7. rozpowszechnienie modelu i rezultatów analiz. Przejdziemy teraz przez poszczególne etapy, aby lepiej zrozumieæ ten proces. 1. definiowanie problemu biznesowego Ka da aplikacja CRM posiada jeden lub wiêcej celów biznesowych, dla których nale y zbudowaæ odpowiedni model. Zale nie od konkretnego celu, takiego jak np. zwiêkszenie odsetka odpowiedzi na dzia³ania marketingowe lub zwiêkszenie zysków w wyniku dzia³añ marketingowych, budowane s¹ ró ne modele. W³aœciwe zdefiniowanie problemu obejmuje tak e sposób pomiaru rezultatów budowanego projektu CRM. 2. budowa marketingowej bazy danych Kroki od drugiego do czwartego stanowi¹ trzon przygotowania danych. Wspólnie poch³aniaj¹ one wiêcej czasu i wysi³ku ni wszystkie inne kroki razem wziête. W tej fazie mog¹ powtarzaæ siê etapy przygotowania danych i budowania modelu. Jest to konsekwencj¹ wyci¹gniêcia na podstawie tworzonego modelu wniosków dotycz¹cych koniecznoœci dokonania zmian w danych. Kroki zwi¹zane z przygotowaniem danych mog¹ poch³on¹æ od 50 do nawet 90% czasu i wysi³ku w³o onego w ca³y projekt analityczny dr¹ enia danych. Zbudowanie marketingowej bazy danych bêdzie konieczne, poniewa posiadane operacyjne bazy 9

10 danych i korporacyjne hurtownie danych czêsto nie zawieraj¹ potrzebnych danych w po ¹danej formie. Co wiêcej, aplikacje CRM mog¹ kolidowaæ z szybkoœci¹ i efektywnoœci¹ tych systemów. Gdy marketingowa baza danych bêdzie ju gotowa, trzeba bêdzie j¹ oczyœciæ poniewa aby otrzymaæ dobre modele, trzeba posiadaæ dobrze przygotowane i oczyszczone dane. Potrzebne dane mog¹ pochodziæ z ró nych Ÿróde³, takich jak baza klientów, baza produktów, baza transakcji. Oznacza to, e nale y zebraæ i po³¹czyæ rozproszone dane w jedn¹ marketingow¹ bazê danych oraz rozwi¹zaæ problemy wynikaj¹ce z ró nych definicji danych pochodz¹cych z ró nych Ÿróde³. Niew³aœciwie uzgodnione dane s¹ g³ównym Ÿród³em problemów z jakoœci¹ wyników analiz. Zwykle istniej¹ du e ró nice w sposobie definiowania i wykorzystywania danych w obrêbie ró nych baz. Niektóre niezgodnoœci mog¹ byæ ³atwe do odkrycia, jak np. ró ne adresy tych samych klientów. Niemniej jednak problemy s¹ zazwyczaj o wiele bardziej subtelne. Na przyk³ad polegaæ mog¹ na tym, e ten sam klient mo e mieæ ró ne imiona lub, co gorsze, ró ne numery identyfikacyjne klienta. 3. eksploracja danych Zanim zostanie zbudowany dobry model predykcyjny, nale y zrozumieæ dane. Dobrze jest rozpocz¹æ od zapoznania siê z szeregiem ró nych podsumowañ danych (zawieraj¹cych statystyki opisowe takie jak œrednia, odchylenie standardowe itd.) i przyjrzenia siê ich rozk³adowi. Mo na te utworzyæ tabele krzy owe dla danych wielowymiarowych. Narzêdzia graficzne do wizualizacji danych stanowi¹ istotn¹ pomoc w przygotowaniu danych, a ich znaczenie dla efektywnoœci analizy danych trudno jest przeceniæ. Wizualizacja danych prowadzi zazwyczaj do nag³ych odkryæ, daj¹cych nowe spojrzenie umo liwiaj¹ce odniesienie sukcesu. Powszechnymi, a jednoczeœnie bardzo u ytecznymi sposobami graficznej prezentacji danych s¹ histogramy i wykresy skrzynkowe przedstawiaj¹ce rozk³ad wartoœci danych. Mo na tak e wykorzystaæ dwu- lub trójwymiarowe wykresy rozrzutu ró nych zestawów zmiennych. Mo liwoœæ do³o enia kolejnej, nak³adanej zmiennej znacznie podnosi u ytecznoœæ niektórych rodzajów wykresów. 4. przygotowanie danych do modelowania Jest to ostatni krok w procesie przygotowania danych przed rozpoczêciem budowy modeli i etap, na którym anga uje siê znaczn¹ czêœæ wiedzy i sztuki. Etap ten sk³ada siê z czterech g³ównych czêœci: 10 Najpierw nale y dokonaæ wyboru tych zmiennych, które zostan¹ u yte do budowy modelu. By³oby idealnie, gdyby mo na by³o wykorzystaæ wszystkie dostêpne zmienne, zaaplikowaæ je do narzêdzia do dr¹ enia danych i pozwoliæ programowi znaleÿæ te spoœród zmiennych, które oka ¹ siê byæ najlepszymi predyktorami. W praktyce jest to jednak bardzo skomplikowane. Po pierwsze dlatego, e czas potrzebny do zbudowania modelu wzrasta wraz z liczb¹ zmiennych. Po drugie poniewa dodawanie dodatkowych zmiennych na œlepo mo e prowadziæ do uzyskania modeli o ni szej, zamiast wy szej mocy predykcyjnej. W nastêpnym kroku nale y przygotowaæ nowe predyktory poprzez przekszta³cenie surowych danych. Dla przyk³adu przewidywanie ryzyka kredytowego z wykorzystaniem ilorazu zad³u enia i przychodów jako predyktora mo e daæ lepsze i ³atwiejsze do zrozumienia rezultaty, ni u ycie zad³u enia i przychodów jako dwóch oddzielnych predyktorów. Nastêpnie mo na zadecydowaæ o wyborze podzbioru lub próby danych, w oparciu o które

11 zbudowane zostan¹ modele. Jeœli iloœæ posiadanych danych jest znaczna, wykorzystanie ich w ca³oœci mo e trwaæ bardzo d³ugo lub poci¹gn¹æ za sob¹ koniecznoœæ zakupu bardziej wydajnego komputera ni przewidywano. Praca na w³aœciwie dobranej losowej próbie w przypadku wiêkszoœci zagadnieñ z zakresu CRM nie powoduje utraty informacji. Je eli musimy wybieraæ pomiêdzy budowaniem i testowaniem tylko kilku modeli w oparciu o wszystkie posiadane dane a budowaniem i testowaniem wiêkszej liczby modeli w oparciu o wyselekcjonowane próby, drugie z tych podejœæ zwykle pozwala uzyskaæ dok³adniejsze i stabilniejsze modele analizowanego zagadnienia. W ostatnim kroku nale y dostosowaæ zmienne zgodnie z potrzebami algorytmu, który wybrano do budowy modelu. 5. budowa modelu dr¹ enia danych Najistotniejsz¹ rzecz¹, o której nale y pamiêtaæ przy budowie modelu, jest fakt, e jest to proces iteracyjny. Trzeba bêdzie przetestowaæ szereg alternatywnych modeli, aby znaleÿæ ten, który oka e siê najbardziej u yteczny w osi¹gniêciu za³o onego celu biznesowego. To, czego mo na dowiedzieæ siê poszukuj¹c najlepszego modelu, mo e zasugerowaæ powrót do wczeœniejszych kroków i dokonanie zmian w danych, które u yte zosta³y do budowy modeli lub nawet przedefiniowanie celów biznesowych. Wiêkszoœæ aplikacji CRM oparta jest na protokole nazywanym nadzorowanym nauczaniem. Rozpoczyna siê od informacji o kliencie, dla której po ¹dany rezultat jest ju znany. Mog¹ np. istnieæ historyczne dane z ostatniej akcji wysy³kowej, która jest bardzo podobna do aktualnie przygotowywanej. Mo na równie przeprowadziæ próbn¹ wysy³kê listów w celu okreœlenia reakcji adresatów. Dane te dzieli siê nastêpnie na dwie grupy. Pierwszej u ywa siê do budowania i oceny modelu. Nastêpnie testuje siê go na danych z drugiej grupy. Model jest gotowy, gdy cykl nauki i testowania jest zakoñczony. 6. ocena otrzymanych wyników Prawdopodobnie najbardziej przecenian¹ miar¹ oceny otrzymanych wyników jest ich dok³adnoœæ. WeŸmy dla przyk³adu ofertê, na któr¹ odpowiedzia³ tylko 1% adresatów. Model, który przewidzia³, e nikt na ofertê nie odpowie jest modelem skutecznym w 99%, ale jednoczeœnie w 100% bezu ytecznym. Inn¹ czêsto wykorzystywan¹ miar¹ jest dÿwignia. DŸwignia mierzy poprawê osi¹gniêt¹ dziêki zastosowaniu modelu predykcyjnego. Nie bierze jednak pod uwagê kosztów i przychodów, dlatego czêsto zamiast dÿwigni analizuje siê zysk lub ROI. Zale nie od tego, czy maksymalizujemy dÿwigniê, zysk czy ROI, lista adresatów akcji mailingowej obejmuje inny procent klientów. 7. integracja dr¹ enia danych z rozwi¹zaniami CRM Podczas budowy aplikacji CRM czêsto okazuje siê, e dr¹ enie danych stanowi ma³¹, a jednoczeœnie krytyczn¹ czêœæ finalnego produktu. Dla przyk³adu wzorce predykcyjne uzyskane w wyniku dr¹ enia danych w po³¹czeniu z wiedz¹ bran ow¹ ekspertów mog¹ zostaæ w³¹czone do wiêkszych systemów i byæ wykorzystywane przez pracowników z wielu ró nych dzia³ów. To, w jaki sposób dr¹ enie danych zostaje wykorzystane w rozwi¹zaniach CRM, okreœlone jest przez 11

12 charakter relacji zachodz¹cych z klientami. Zasadniczo istniej¹ dwie g³ówne drogi tych kontaktów: przychodz¹ce, gdy to klient jest inicjatorem kontaktu oraz wychodz¹ce, gdy to firma kontaktuje siê z klientami. W ka dym z powy szych przypadków wymagania w stosunku do systemu s¹ ca³kowicie inne. Kontakty wychodz¹ce definiowane s¹ przez firmê, która inicjuje kontakt mo e to byæ na przyk³ad kampania przesy³ek bezpoœrednich. W takim przypadku firma musi, wykorzystuj¹c zbudowany model predykcyjny, wyselekcjonowaæ z bazy danych klientów firmy osoby, do których akcja zostanie skierowana. Innym rodzajem kampanii wychodz¹cej jest kampania reklamowa. W tym przypadku staramy siê dopasowaæ profile dobrych klientów wskazanych przez model predykcyjny do profilu osób, do których reklama mo e dotrzeæ. Dla kontaktów przychodz¹cych, takich jak zamówienie telefoniczne, zamówienie przez Internet czy telefon od klienta w sprawie serwisu, reakcja systemu musi nastêpowaæ b³yskawicznie. To w³aœnie z tego powodu model predykcyjny musi byæ osadzony w aplikacji CRM, aby aktywnie, w czasie rzeczywistym podpowiadaæ najbardziej odpowiednie dzia³anie. W obu przypadkach wystêpuje jeden kluczowy element, którym nale y siê zaj¹æ podczas wykorzystywania modelu predykcyjnego do analizy nowych danych przekszta³cenie danych odpowiednie dla danego modelu. Tak wiêc, jeœli dane wejœciowe (niezale nie od tego, czy pochodz¹ z bazy danych, czy s¹ to dane transakcyjne) nios¹ informacjê o wieku, dochodach, p³ci i wielkoœci gospodarstwa domowego, a model wymaga podania dochodu na jedn¹ osobê w gospodarstwie oraz p³ci w postaci dwóch zmiennych zerojedynkowych nale y odpowiednio przekszta³ciæ posiadane dane wejœciowe. atwoœæ, z jak¹ mo na zaimplementowaæ do systemu te przekszta³cenia, jest jednym z najistotniejszych czynników determinuj¹cych wydajnoœæ dzia³ania w momencie, gdy potrzebujemy szybko wdro yæ wiele modeli. wnioski Zarz¹dzanie relacjami z klientami (CRM) ma zasadnicze znaczenie dla skutecznego konkurowania w dzisiejszych warunkach rynkowych. Im bardziej efektywnie mo na wykorzystaæ posiadane informacje na temat klientów w celu spe³niania ich oczekiwañ, tym wiêkszy dochód jest siê w stanie wygenerowaæ. (Niniejsze opracowanie nie wskazuje sposobu zaspokajania potrzeb klientów. Sk³ania tylko do zastanowienia siê, czy znane s¹ odpowiedzi na pytania: Jakie s¹ ich potrzeby? Czy ich o to pytaliœmy? Czy po prostu oferujemy produkty bazuj¹c na ich zachowaniach w przesz³oœci?). Operacyjne systemy CRM potrzebuj¹ czêœci analitycznej ze szczególnym uwzglêdnieniem modeli predykcyjnych uzyskanych poprzez dr¹ enie danych. Droga do sukcesu w biznesie wymaga zrozumienia klientów, ich potrzeb i oczekiwañ, a dr¹ enie danych jest na tej drodze precyzyjnym przewodnikiem. 12

13 za³¹cznik: technologia dr¹ enia danych drzewa decyzyjne Drzewa decyzyjne to technika pozwalaj¹ca okreœliæ przynale noœæ klienta do okreœlonej grupy lub przypisaæ mu okreœlon¹ wartoœæ za pomoc¹ serii regu³. Znajduje zastosowanie np. wtedy, gdy chcemy wiedzieæ, komu zaproponowaæ okreœlony produkt. Prezentacja wyników w postaci drzewa decyzyjnego ilustruje jednoczeœnie wszystkie segmenty i opisuje zasady przydzielania do nich klientów. proste drzewa klasyfikacyjne Pierwszym elementem drzewa jest jego korzeñ, czyli drzewo przed podzia³em na segmenty. Jego baz¹ jest cecha bêd¹ca podstaw¹ prowadzonych analiz. Ka da z ga³êzi prowadzi do kolejnych segmentów, które z kolei mog¹ byæ podzielone g³êbiej, a do uzyskania segmentów ostatecznych, nie podlegaj¹cych dalszemu podzia³owi. Poruszaj¹c siê po drzewie decyzyjnym od korzenia poprzez jego ga³êzie mo na przypisywaæ wartoœci klientom lub przewidywaæ ich przynale noœæ do danej klasy, a do osi¹gniêcia w efekcie ostatecznych segmentów. Dane wpadaj¹ce do ka dego segmentu wykorzystywane s¹ do pog³êbienia segmentacji. Modele wykorzystuj¹ce drzewa decyzyjne s¹ powszechnie u ywane w dr¹ eniu danych do eksploracji oraz indukowania drzew i ich regu³, które póÿniej wykorzystywane s¹ do predykcji. Do budowania drzew decyzyjnych mo na wykorzystaæ wiele ró nych algorytmów, takich jak CHAID, CART, Quest i C5.0. sieci neuronowe Sieci neuronowe s¹ szczególnie interesuj¹ce ze wzglêdu na oferowane przez nie sposoby wydajnego modelowania du ych i z³o onych zadañ mog¹cych zawieraæ setki predyktorów, z olbrzymi¹ liczb¹ interakcji. (Prawdziwe, biologiczne sieci neuronowe s¹ nieporównywalnie bardziej z³o one). Sieci neuronowe najczêœciej wykorzystywane s¹ w predykcji, ale mog¹ te byæ wykorzystywane w klasyfikacji. Sieæ neuronowa rozpoczyna siê od warstwy wejœciowej, gdzie ka dy neuron reprezentuje jeden predyktor. Wêz³y wejœciowe po³¹czone s¹ z licznymi neuronami z warstwy ukrytej. Ka dy z neuronów wejœciowych po³¹czony jest ze wszystkimi neuronami warstwy ukrytej. Neurony warstwy ukrytej z kolei mog¹ byæ po³¹czone z neuronami innej warstwy ukrytej lub z neuronami warstwy wyjœciowej. Warstwa wyjœciowa reprezentuje jedn¹ lub wiêcej zmiennych wynikowych. sieci neuronowe z pojedyncz¹ warstw¹ ukryt¹ Po przejœciu warstwy wejœciowej ka dy neuron pobiera zestaw danych wejœciowych, multiplikuje je przez wagê danego po³¹czenia, dodaje, stosuje funkcjê (zwan¹ funkcj¹ aktywacyjn¹) i przekazuje efekt tych przekszta³ceñ do neuronu (lub neuronów) w nastêpnej warstwie. Na przyk³ad neuron prezentowany poni ej posiada piêæ wejœæ (od 1 do 5), z których ka de jest zwielokrotnione przez wagê, a nastêpnie zsumowane i daj¹ce w rezultacie sumê I: I= = =0.3 Efektem przekszta³ceñ jest suma, która zosta³a zmieniona przez nieliniow¹ funkcjê aktywacyjn¹, w tym przypadku do wartoœci Celem uczenia sieci neuronowych jest oszacowanie wag po³¹czeñ w taki sposób, aby wynik podawany

14 przez sieæ neuronow¹ dok³adnie i trafnie prognozowa³ testow¹ wartoœæ dla zadanego wejœciowego zestawu wartoœci. Najpopularniejsz¹ z metod uczenia jest wsteczna propagacja. Ka da metoda uczenia posiada zestaw parametrów kontroluj¹cych ró ne aspekty procesu uczenia, takie jak unikanie chwilowych optimów czy dostosowywanie szybkoœci konwersji. Sieci neuronowe ró ni¹ siê znacznie filozofi¹ od wielu technik statystycznych. Po pierwsze sieci neuronowe posiadaj¹ zazwyczaj wiêcej parametrów ni przeciêtny model statystyczny. Na przyk³ad sieæ neuronowa posiadaj¹ca 100 wejœæ i 50 ukrytych wêz³ów bêdzie mia³a ponad parametrów. Ze wzglêdu na ich du ¹ liczbê i poniewa tak wielka liczba kombinacji parametrów daje w wyniku podobne prognozy, parametry staj¹ siê nieinterpretowalne i sieæ zaczyna funkcjonowaæ na zasadzie predykcyjnej czarnej skrzynki. Mimo to jest to akceptowalne w aplikacjach CRM. Bank mo e przyporz¹dkowaæ prawdopodobieñstwo bankructwa do danego konta i nie musi zwracaæ uwagi na przyczyny zaistnienia tego faktu. Jednym z mitów na temat sieci neuronowych jest twierdzenie, e mo na w nich u yæ danych dowolnej jakoœci i uzyskaæ wartoœciowe prognozy, a sieæ przesieje dane i odnajdzie w nich istotne prawid³owoœci. Natomiast prawda jest taka, e sieci neuronowe wymagaj¹ naprawdê du o przygotowañ danych, tak du o, jak adna inna metoda. Najbardziej udane wdro enia sieci neuronowych (lub drzew decyzyjnych, regresji logistycznej czy jakiejkolwiek innej metody) wymagaj¹ bardzo uwa nego czyszczenia, selekcji, przygotowania danych. Na przyk³ad sieci neuronowe wymagaj¹, aby wszystkie zmienne by³y zmiennymi numerycznymi. Dlatego dane okreœlaj¹ce kategorie, takie jak województwo, s¹ zwykle przekszta³cane w zestawy zmiennych dychotomicznych (np. Ma³opolskie, Kujawsko Pomorskie ), gdzie ka dej zmiennej przypisana zostaje wartoœæ 1 (tak) lub 0 (nie). Wzrost liczby zmiennych, który otrzymuje siê w rezultacie, nazywany jest eksplozj¹ kategorii. techniki grupowania Grupowanie dzieli bazê danych na wiele ró nych grup. Celem grupowania jest odnalezienie grup, które ró ni¹ siê od siebie, a których cz³onkowie s¹ do siebie wzajemnie podobni. W odró nieniu od klasyfikacji, nie wiadomo z góry, jakie grupy zostan¹ wyodrêbnione, jak równie jaki bêdzie wp³yw poszczególnych atrybutów na grupowanie. Wskutek tego wyniki powsta³e grupy musz¹ zostaæ zinterpretowane przez osobê posiadaj¹c¹ wiedzê na temat danej bran y. Po wyodrêbnieniu grup, które w rozs¹dny sposób segmentuj¹ bazê danych, mo na ich u yæ do klasyfikowania nowych danych. Niektóre z algorytmów powszechnie u ywanych do grupowania to sieci Kohonena i analiza skupieñ metod¹ K-œrednich. Nie nale y myliæ grupowania z segmentacj¹. Segmentacja odnosi siê do ogólnego problemu identyfikacji grup posiadaj¹cych wspólne charakterystyki. Grupowanie stanowi drogê do segmentowania danych na niezdefiniowane wczeœniej grupy, podczas gdy klasyfikacja do segmentowania danych poprzez przypisywanie ich do grup, które zosta³y wczeœniej zdefiniowane. 14

15 SPSS dostarcza rozwi¹zañ umo liwiaj¹cych firmom odkrywanie potrzeb i przewidywanie przysz³ych zachowañ ich klientów. Firma dostarcza rozwi¹zañ z zakresu zarz¹dzania relacjami z klientem (CRM) i business intelligence, które umo liwiaj¹ u ytkownikom systemów SPSS bardziej dochodow¹ wspó³pracê z ich klientami. Rozwi¹zania SPSS pozwalaj¹ scalaæ i analizowaæ dane marketingowe, dane o klientach i dane operacyjne w obrêbie najwa niejszych bran na ca³ym œwiecie miêdzy innymi w telekomunikacji, ochronie zdrowia, bankowoœci, finansach, ubezpieczeniach, produkcji, handlu, badaniach rynku, administracji, edukacji i sektorze publicznym. Poza central¹ w Chicago (USA), SPSS posiada na ca³ym œwiecie ponad 40 biur. Ponadto zapewniamy pe³n¹ informacjê o produktach SPSS, prowadzimy kursy i szkolenia z zakresu analizy danych oraz obs³ugi i zastosowañ programów SPSS. U ytkownikom SPSS zapewniamy serwis i pomoc techniczn¹. Wiêcej informacji znajduje siê na stronach SPSS Polska Sp. z o.o. ul. Królewska Kraków tel./faks tel./faks tel./faks e mail: spss.pl

revati.pl Drukarnia internetowa Szybki kontakt z klientem Obs³uga zapytañ ofertowych rozwi¹zania dla poligrafii Na 100% procent wiêcej klientów

revati.pl Drukarnia internetowa Szybki kontakt z klientem Obs³uga zapytañ ofertowych rozwi¹zania dla poligrafii Na 100% procent wiêcej klientów revati.pl rozwi¹zania dla poligrafii Systemy do sprzeda y us³ug poligraficznych w internecie Drukarnia Szybki kontakt z klientem Obs³uga zapytañ ofertowych Na 100% procent wiêcej klientów drukarnia drukarnia

Bardziej szczegółowo

Czy przedsiêbiorstwo, którym zarz¹dzasz, intensywnie siê rozwija, ma wiele oddzia³ów lub kolejne lokalizacje w planach?

Czy przedsiêbiorstwo, którym zarz¹dzasz, intensywnie siê rozwija, ma wiele oddzia³ów lub kolejne lokalizacje w planach? Czy przedsiêbiorstwo, którym zarz¹dzasz, intensywnie siê rozwija, ma wiele oddzia³ów lub kolejne lokalizacje w planach? Czy masz niedosyt informacji niezbêdnych do tego, by mieæ pe³en komfort w podejmowaniu

Bardziej szczegółowo

Efektywna strategia sprzedaży

Efektywna strategia sprzedaży Efektywna strategia sprzedaży F irmy wciąż poszukują metod budowania przewagi rynkowej. Jednym z kluczowych obszarów takiej przewagi jest efektywne zarządzanie siłami sprzedaży. Jak pokazują wyniki badania

Bardziej szczegółowo

systemy informatyczne SIMPLE.ERP Bud etowanie dla Jednostek Administracji Publicznej

systemy informatyczne SIMPLE.ERP Bud etowanie dla Jednostek Administracji Publicznej SIMPLE systemy informatyczne SIMPLE.ERP Bud etowanie dla Jednostek Administracji Publicznej SIMPLE.ERP Bud etowanie dla Jednostek Administracji Publicznej to nowoczesny system informatyczny kompleksowo

Bardziej szczegółowo

Warunki Oferty PrOmOcyjnej usługi z ulgą

Warunki Oferty PrOmOcyjnej usługi z ulgą Warunki Oferty PrOmOcyjnej usługi z ulgą 1. 1. Opis Oferty 1.1. Oferta Usługi z ulgą (dalej Oferta ), dostępna będzie w okresie od 16.12.2015 r. do odwołania, jednak nie dłużej niż do dnia 31.03.2016 r.

Bardziej szczegółowo

X. M A N A G E R. q Przeznaczenie modu³u q Wykaz funkcji q Codzienna eksploatacja

X. M A N A G E R. q Przeznaczenie modu³u q Wykaz funkcji q Codzienna eksploatacja X. M A N A G E R q Przeznaczenie modu³u q Wykaz funkcji q Codzienna eksploatacja Schemat funkcjonalny modu³u MANAGER SPIS TREŒCI X.1. PRZEZNACZENIE MODU U...X-3 X.2. WYKAZ FUNKCJI...X-4 X.3. CODZIENNA

Bardziej szczegółowo

Rynek telekomunikacyjny w Polsce 2007

Rynek telekomunikacyjny w Polsce 2007 Rynek telekomunikacyjny w Polsce 2007 Prognozy rozwoju na lata 2007-2010 Data publikacji: wrzesieñ 2007 Wersje jêzykowe: polska, angielska Od autora Na polskim rynku telekomunikacyjnym widocznych jest

Bardziej szczegółowo

MIÊDZYNARODOWY STANDARD REWIZJI FINANSOWEJ 520 PROCEDURY ANALITYCZNE SPIS TREŒCI

MIÊDZYNARODOWY STANDARD REWIZJI FINANSOWEJ 520 PROCEDURY ANALITYCZNE SPIS TREŒCI MIÊDZYNARODOWY STANDARD REWIZJI FINANSOWEJ 520 PROCEDURY ANALITYCZNE (Stosuje siê przy badaniu sprawozdañ finansowych sporz¹dzonych za okresy rozpoczynaj¹ce siê 15 grudnia 2009 r. i póÿniej) Wprowadzenie

Bardziej szczegółowo

PODNOSZENIE EFEKTYWNOŒCI PRZEDSIÊBIORSTWA - PROJEKTOWANIE PROCESÓW

PODNOSZENIE EFEKTYWNOŒCI PRZEDSIÊBIORSTWA - PROJEKTOWANIE PROCESÓW BAROMETR REGIONALNY 33 PODNOSZENIE EFEKTYWNOŒCI PRZEDSIÊBIORSTWA - PROJEKTOWANIE PROCESÓW mgr in. Adam Piekara, Doradca w programie EQUAL Podstaw¹ niniejszego artyku³u jest przyjêcie za- ³o enia, e ka

Bardziej szczegółowo

Nasz kochany drogi BIK Nasz kochany drogi BIK

Nasz kochany drogi BIK Nasz kochany drogi BIK https://www.obserwatorfinansowy.pl/tematyka/bankowosc/biuro-informacji-kredytowej-bik-koszty-za r Biznes Pulpit Debata Biuro Informacji Kredytowej jest jedyną w swoim rodzaju instytucją na polskim rynku

Bardziej szczegółowo

Krótka informacja o instytucjonalnej obs³udze rynku pracy

Krótka informacja o instytucjonalnej obs³udze rynku pracy Agnieszka Miler Departament Rynku Pracy Ministerstwo Gospodarki, Pracy i Polityki Spo³ecznej Krótka informacja o instytucjonalnej obs³udze rynku pracy W 2000 roku, zosta³o wprowadzone rozporz¹dzeniem Prezesa

Bardziej szczegółowo

Nowości w module: BI, w wersji 9.0

Nowości w module: BI, w wersji 9.0 Nowości w module: BI, w wersji 9.0 Copyright 1997-2009 COMARCH S.A. Spis treści Wstęp... 3 Obszary analityczne... 3 1. Nowa kostka CRM... 3 2. Zmiany w obszarze: Księgowość... 4 3. Analizy Data Mining...

Bardziej szczegółowo

Objaśnienia do Wieloletniej Prognozy Finansowej na lata 2011-2017

Objaśnienia do Wieloletniej Prognozy Finansowej na lata 2011-2017 Załącznik Nr 2 do uchwały Nr V/33/11 Rady Gminy Wilczyn z dnia 21 lutego 2011 r. w sprawie uchwalenia Wieloletniej Prognozy Finansowej na lata 2011-2017 Objaśnienia do Wieloletniej Prognozy Finansowej

Bardziej szczegółowo

Jacek Mrzyg³ód, Tomasz Rostkowski* Rozwi¹zania systemowe zarz¹dzania kapita³em ludzkim (zkl) w bran y energetycznej

Jacek Mrzyg³ód, Tomasz Rostkowski* Rozwi¹zania systemowe zarz¹dzania kapita³em ludzkim (zkl) w bran y energetycznej Komunikaty 99 Jacek Mrzyg³ód, Tomasz Rostkowski* Rozwi¹zania systemowe zarz¹dzania kapita³em ludzkim (zkl) w bran y energetycznej Artyku³ przedstawi skrócony raport z wyników badania popularnoœci rozwi¹zañ

Bardziej szczegółowo

Steelmate - System wspomagaj¹cy parkowanie z oœmioma czujnikami

Steelmate - System wspomagaj¹cy parkowanie z oœmioma czujnikami Steelmate - System wspomagaj¹cy parkowanie z oœmioma czujnikami Cechy: Kolorowy i intuicyjny wyœwietlacz LCD Czujnik wysokiej jakoœci Inteligentne rozpoznawanie przeszkód Przedni i tylni system wykrywania

Bardziej szczegółowo

DE-WZP.261.11.2015.JJ.3 Warszawa, 2015-06-15

DE-WZP.261.11.2015.JJ.3 Warszawa, 2015-06-15 DE-WZP.261.11.2015.JJ.3 Warszawa, 2015-06-15 Wykonawcy ubiegający się o udzielenie zamówienia Dotyczy: postępowania prowadzonego w trybie przetargu nieograniczonego na Usługę druku książek, nr postępowania

Bardziej szczegółowo

Fed musi zwiększać dług

Fed musi zwiększać dług Fed musi zwiększać dług Autor: Chris Martenson Źródło: mises.org Tłumaczenie: Paweł Misztal Fed robi, co tylko może w celu doprowadzenia do wzrostu kredytu (to znaczy długu), abyśmy mogli powrócić do tego,

Bardziej szczegółowo

HAŚKO I SOLIŃSKA SPÓŁKA PARTNERSKA ADWOKATÓW ul. Nowa 2a lok. 15, 50-082 Wrocław tel. (71) 330 55 55 fax (71) 345 51 11 e-mail: kancelaria@mhbs.

HAŚKO I SOLIŃSKA SPÓŁKA PARTNERSKA ADWOKATÓW ul. Nowa 2a lok. 15, 50-082 Wrocław tel. (71) 330 55 55 fax (71) 345 51 11 e-mail: kancelaria@mhbs. HAŚKO I SOLIŃSKA SPÓŁKA PARTNERSKA ADWOKATÓW ul. Nowa 2a lok. 15, 50-082 Wrocław tel. (71) 330 55 55 fax (71) 345 51 11 e-mail: kancelaria@mhbs.pl Wrocław, dnia 22.06.2015 r. OPINIA przedmiot data Praktyczne

Bardziej szczegółowo

ZAPYTANIE OFERTOWE z dnia 03.12.2015r

ZAPYTANIE OFERTOWE z dnia 03.12.2015r ZAPYTANIE OFERTOWE z dnia 03.12.2015r 1. ZAMAWIAJĄCY HYDROPRESS Wojciech Górzny ul. Rawska 19B, 82-300 Elbląg 2. PRZEDMIOT ZAMÓWIENIA Przedmiotem Zamówienia jest przeprowadzenie usługi indywidualnego audytu

Bardziej szczegółowo

Rudniki, dnia 10.02.2016 r. Zamawiający: PPHU Drewnostyl Zenon Błaszak Rudniki 5 64-330 Opalenica NIP 788-000-22-12 ZAPYTANIE OFERTOWE

Rudniki, dnia 10.02.2016 r. Zamawiający: PPHU Drewnostyl Zenon Błaszak Rudniki 5 64-330 Opalenica NIP 788-000-22-12 ZAPYTANIE OFERTOWE Zamawiający: Rudniki, dnia 10.02.2016 r. PPHU Drewnostyl Zenon Błaszak Rudniki 5 64-330 Opalenica NIP 788-000-22-12 ZAPYTANIE OFERTOWE W związku z planowaną realizacją projektu pn. Rozwój działalności

Bardziej szczegółowo

www.klimatycznykolobrzeg.pl OFERTA PROMOCYJNA

www.klimatycznykolobrzeg.pl OFERTA PROMOCYJNA Portal Klimatyczny Ko³obrzeg www.klimatycznykolobrzeg.pl OFERTA PROMOCYJNA Centrum Promocji i Informacji Turystycznej w Ko³obrzegu widz¹c koniecznoœæ zmiany wizerunku oraz funkcjonalnoœci turystycznej

Bardziej szczegółowo

Stan prac w zakresie wdrożenia systemów operacyjnych: NCTS2, AIS/INTRASTAT, AES, AIS/ICS i AIS/IMPORT. Departament Ceł, Ministerstwo Finansów

Stan prac w zakresie wdrożenia systemów operacyjnych: NCTS2, AIS/INTRASTAT, AES, AIS/ICS i AIS/IMPORT. Departament Ceł, Ministerstwo Finansów Stan prac w zakresie wdrożenia systemów operacyjnych: NCTS2, AIS/INTRASTAT, AES, AIS/ICS i AIS/IMPORT Departament Ceł, Ministerstwo Finansów Usługa e-tranzyt System NCTS 2 Aktualny stan wdrożenia Ogólnopolskie

Bardziej szczegółowo

Opis modułu analitycznego do śledzenia rotacji towaru oraz planowania dostaw dla programu WF-Mag dla Windows.

Opis modułu analitycznego do śledzenia rotacji towaru oraz planowania dostaw dla programu WF-Mag dla Windows. Opis modułu analitycznego do śledzenia rotacji towaru oraz planowania dostaw dla programu WF-Mag dla Windows. Zadaniem modułu jest wspomaganie zarządzania magazynem wg. algorytmu just in time, czyli planowanie

Bardziej szczegółowo

INSTRUKCJA U YTKOWNIKA DO KASY SHARP ER-A457P wersja oprogramowania: 27801RAR1C 4.11.6. PROGRAMOWANIE FORMATU RAPORTÓW, KROK (PGM2)

INSTRUKCJA U YTKOWNIKA DO KASY SHARP ER-A457P wersja oprogramowania: 27801RAR1C 4.11.6. PROGRAMOWANIE FORMATU RAPORTÓW, KROK (PGM2) ERRATA INSTRUKCJA U YTKOWNIKA DO KASY SHARP ER-A457P wersja oprogramowania: 27801RAR1C 4.11.6. PROGRAMOWANIE FORMATU RAPORTÓW, KROK (PGM2) Dla X = 2 (dodatkowe wiersze tabel). Zmienna Opis Kasowanie bufora

Bardziej szczegółowo

Zarządzanie projektami. wykład 1 dr inż. Agata Klaus-Rosińska

Zarządzanie projektami. wykład 1 dr inż. Agata Klaus-Rosińska Zarządzanie projektami wykład 1 dr inż. Agata Klaus-Rosińska 1 DEFINICJA PROJEKTU Zbiór działań podejmowanych dla zrealizowania określonego celu i uzyskania konkretnego, wymiernego rezultatu produkt projektu

Bardziej szczegółowo

Szczegółowe zasady obliczania wysokości. i pobierania opłat giełdowych. (tekst jednolity)

Szczegółowe zasady obliczania wysokości. i pobierania opłat giełdowych. (tekst jednolity) Załącznik do Uchwały Nr 1226/2015 Zarządu Giełdy Papierów Wartościowych w Warszawie S.A. z dnia 3 grudnia 2015 r. Szczegółowe zasady obliczania wysokości i pobierania opłat giełdowych (tekst jednolity)

Bardziej szczegółowo

Wynagrodzenia i świadczenia pozapłacowe specjalistów

Wynagrodzenia i świadczenia pozapłacowe specjalistów Wynagrodzenia i świadczenia pozapłacowe specjalistów Wynagrodzenia i podwyżki w poszczególnych województwach Średnie podwyżki dla specjalistów zrealizowane w 2010 roku ukształtowały się na poziomie 4,63%.

Bardziej szczegółowo

Skuteczność i regeneracja 48h albo zwrot pieniędzy

Skuteczność i regeneracja 48h albo zwrot pieniędzy REGULAMIN AKCJI PROMOCYJNEJ Skuteczność i regeneracja 48h albo zwrot pieniędzy 1. ORGANIZATOR, CZAS TRWANIA AKCJI PROMOCYJNEJ, PROGRAM AKCJI 1.1 Organizatorem akcji promocyjnej prowadzonej pod nazwą Skuteczność

Bardziej szczegółowo

BADANIE UMIEJĘTNOŚCI UCZNIÓW W TRZECIEJ KLASIE GIMNAZJUM CZĘŚĆ MATEMATYCZNO-PRZYRODNICZA

BADANIE UMIEJĘTNOŚCI UCZNIÓW W TRZECIEJ KLASIE GIMNAZJUM CZĘŚĆ MATEMATYCZNO-PRZYRODNICZA BADANIE UMIEJĘTNOŚCI UCZNIÓW W TRZECIEJ KLASIE GIMNAZJUM CZĘŚĆ MATEMATYCZNO-RZYRODNICZA MATEMATYKA TEST 4 Zadanie 1 Dane są punkty A = ( 1, 1) oraz B = (3, 2). Jaką długość ma odcinek AB? Wybierz odpowiedź

Bardziej szczegółowo

ZAPRASZA DO SKŁADNIA OFERT

ZAPRASZA DO SKŁADNIA OFERT Tytuł projektu: Przygotowanie Planu Rozwoju Eksportu przez Godzikowice, dnia 18.11.2015 r. Zapytanie ofertowe z siedzibą przy ul. Stalowej 7-9 w Godzikowicach (kod pocztowy ), Tel. 71 313 95 18, NIP: 9121654900,

Bardziej szczegółowo

KOMISJA NADZORU FINANSOWEGO WNIOSEK O ZATWIERDZENIE ANEKSU NR 8 DO PROSPEKTU EMISYJNEGO

KOMISJA NADZORU FINANSOWEGO WNIOSEK O ZATWIERDZENIE ANEKSU NR 8 DO PROSPEKTU EMISYJNEGO Aneks nr 8 do Prospektu Emisyjnego Cyfrowy Polsat S.A. KOMISJA NADZORU FINANSOWEGO PLAC POWSTAÑCÓW WARSZAWY 1, 00-950 WARSZAWA WNIOSEK O ZATWIERDZENIE ANEKSU NR 8 DO PROSPEKTU EMISYJNEGO zatwierdzonego

Bardziej szczegółowo

Zapytanie ofertowe. Projekt realizowany przy współfinansowaniu ze środków Unii Europejskiej, w ramach Programu Operacyjnego Pomoc Techniczna 2014-2020

Zapytanie ofertowe. Projekt realizowany przy współfinansowaniu ze środków Unii Europejskiej, w ramach Programu Operacyjnego Pomoc Techniczna 2014-2020 Zapytanie ofertowe Wydział Rozwoju Miasta Urzędu Miasta Włocławek, ul. Zielony Rynek 11/13, składa zapytanie ofertowe na opracowanie, utrzymanie i serwis interaktywnej cyfrowej mapy funkcjonalnej wraz

Bardziej szczegółowo

Dziennik Urzêdowy. og³oszenia w Dzienniku Urzêdowym Województwa Wielkopolskiego. Przewodnicz¹cy. 1) stypendium stypendium, o którym mowa w niniejszej

Dziennik Urzêdowy. og³oszenia w Dzienniku Urzêdowym Województwa Wielkopolskiego. Przewodnicz¹cy. 1) stypendium stypendium, o którym mowa w niniejszej Województwa Wielkopolskiego Nr 81 6898 1140 UCHWA A Nr LI/687/V/2009 RADY MIASTA POZNANIA z dnia 17 marca 2009 r. w sprawie ustalenia zasad i trybu przyznawania stypendiów dla studentów uczelni wy szych,

Bardziej szczegółowo

USTAWA. z dnia 29 sierpnia 1997 r. Ordynacja podatkowa. Dz. U. z 2015 r. poz. 613 1

USTAWA. z dnia 29 sierpnia 1997 r. Ordynacja podatkowa. Dz. U. z 2015 r. poz. 613 1 USTAWA z dnia 29 sierpnia 1997 r. Ordynacja podatkowa Dz. U. z 2015 r. poz. 613 1 (wybrane artykuły regulujące przepisy o cenach transferowych) Dział IIa Porozumienia w sprawach ustalenia cen transakcyjnych

Bardziej szczegółowo

Szkolenie Regresja logistyczna

Szkolenie Regresja logistyczna Szkolenie Regresja logistyczna program i cennik Łukasz Deryło Analizy statystyczne, szkolenia www.statystyka.c0.pl Szkolenie Regresja logistyczna Co to jest regresja logistyczna? Regresja logistyczna pozwala

Bardziej szczegółowo

B A D A N I A S U C H A L N O Œ C I RADIO TRACK W R Z E S I E Ñ 2 0 1 1. prowadzone w systemie ci¹g³ym przez KATOLICKIE RADIO PODLASIE

B A D A N I A S U C H A L N O Œ C I RADIO TRACK W R Z E S I E Ñ 2 0 1 1. prowadzone w systemie ci¹g³ym przez KATOLICKIE RADIO PODLASIE B A D A N I A S U C H A L N O Œ C I RADIO TRACK W R Z E S I E Ñ 2 0 1 1 prowadzone w systemie ci¹g³ym przez KATOLICKIE RADIO PODLASIE R A D I O, K T Ó R E S I Ê Z N A W SKRÓCIE: PRZYZWYCZAILIŒMY WAS JU

Bardziej szczegółowo

Stanowisko Rzecznika Finansowego i Prezesa Urzędu Ochrony Konkurencji i Konsumentów w sprawie interpretacji art. 49 ustawy o kredycie konsumenckim

Stanowisko Rzecznika Finansowego i Prezesa Urzędu Ochrony Konkurencji i Konsumentów w sprawie interpretacji art. 49 ustawy o kredycie konsumenckim Prezes Urzędu Ochrony Konkurencji i Konsumentów Warszawa, 16 maja 2016 r. Stanowisko Rzecznika Finansowego i Prezesa Urzędu Ochrony Konkurencji i Konsumentów w sprawie interpretacji art. 49 ustawy o kredycie

Bardziej szczegółowo

10 podstawowych technik pozyskiwania leadów

10 podstawowych technik pozyskiwania leadów 10 podstawowych technik pozyskiwania leadów Przygotuj formularz zapisu Zainteresowani Twoim produktem użytkownicy, którzy nie są jeszcze gotowi do zakupu, prawdopodobnie będą chcieli zapisać się na Twoją

Bardziej szczegółowo

Regu g l u a l min i n w s w pó p ł ó p ł r p acy O ow o iązuje od dnia 08.07.2011

Regu g l u a l min i n w s w pó p ł ó p ł r p acy O ow o iązuje od dnia 08.07.2011 Regulamin współpracy Obowiązuje od dnia 08.07.2011 1 1. Wstęp Regulamin określa warunki współpracy z firmą Hubert Joachimiak HubiSoft. W przypadku niejasności, prosimy o kontakt. Dane kontaktowe znajdują

Bardziej szczegółowo

Regulamin oferty specjalnej - Bonus za dopłaty

Regulamin oferty specjalnej - Bonus za dopłaty Regulamin oferty specjalnej - Bonus za dopłaty 1 Użyte w Regulaminie określenia oznaczają: 1. Bank ING Bank Śląski S.A. z siedzibą w Katowicach, przy ul. Sokolskiej 34; wpisany do Rejestru Przedsiębiorców

Bardziej szczegółowo

Zasady racjonalnego dokumentowania systemu zarządzania

Zasady racjonalnego dokumentowania systemu zarządzania Jerzy Kowalczyk Zasady racjonalnego dokumentowania systemu zarządzania Zasady doskonalenia systemu zarządzania oraz podstawowe procedury wspomagające Zarządzanie jakością VERLAG DASHÖFER Wydawnictwo VERLAG

Bardziej szczegółowo

GEO-SYSTEM Sp. z o.o. GEO-RCiWN Rejestr Cen i Wartości Nieruchomości Podręcznik dla uŝytkowników modułu wyszukiwania danych Warszawa 2007

GEO-SYSTEM Sp. z o.o. GEO-RCiWN Rejestr Cen i Wartości Nieruchomości Podręcznik dla uŝytkowników modułu wyszukiwania danych Warszawa 2007 GEO-SYSTEM Sp. z o.o. 02-732 Warszawa, ul. Podbipięty 34 m. 7, tel./fax 847-35-80, 853-31-15 http:\\www.geo-system.com.pl e-mail:geo-system@geo-system.com.pl GEO-RCiWN Rejestr Cen i Wartości Nieruchomości

Bardziej szczegółowo

PILNE Informacje dotyczące bezpieczeństwa Aparat ultrasonograficzny AFFINITI 70 firmy Philips

PILNE Informacje dotyczące bezpieczeństwa Aparat ultrasonograficzny AFFINITI 70 firmy Philips Strona 1 z 5 Szanowni Państwo! W aparatach ultrasonograficznych AFFINITI 70 firmy Philips wykryto usterkę, która może stanowić potencjalne zagrożenie dla pacjentów lub użytkowników. Niniejsze informacje

Bardziej szczegółowo

Projektowanie bazy danych

Projektowanie bazy danych Projektowanie bazy danych Pierwszą fazą tworzenia projektu bazy danych jest postawienie definicji celu, założeo wstępnych i określenie podstawowych funkcji aplikacji. Każda baza danych jest projektowana

Bardziej szczegółowo

Zadania ćwiczeniowe do przedmiotu Makroekonomia I

Zadania ćwiczeniowe do przedmiotu Makroekonomia I Dr. Michał Gradzewicz Zadania ćwiczeniowe do przedmiotu Makroekonomia I Ćwiczenia 3 i 4 Wzrost gospodarczy w długim okresie. Oszczędności, inwestycje i wybrane zagadnienia finansów. Wzrost gospodarczy

Bardziej szczegółowo

INFORMACJA dla osób nie będących klientami Banku Spółdzielczego w Goleniowie

INFORMACJA dla osób nie będących klientami Banku Spółdzielczego w Goleniowie INFORMACJA dla osób nie będących klientami Banku Spółdzielczego w Goleniowie 1 [Forma i miejsce złożenia reklamacji, skarg, wniosków] 1. Reklamacje, skargi, wnioski mogą być wnoszone przez klienta: 1)

Bardziej szczegółowo

Case Study Rozwiązania DBMS dla windykacji

Case Study Rozwiązania DBMS dla windykacji Case Study Rozwiązania DBMS dla windykacji Szanowni Państwo Obecne 90% zasobów danych w przedsiębiorstwach powstało w ciągu ostatnich dwóch latach, ale tylko 1% z posiadanych danych jest wykorzystywanych

Bardziej szczegółowo

W z ó r u m o w y POSTANOWIENIA GENERALNE

W z ó r u m o w y POSTANOWIENIA GENERALNE W z ó r u m o w y UMOWA GENERALNA NR zawarta w Nowym S¹czu w dniu... 2011 r. pomiêdzy: Powiatowym Zarz¹dem Dróg w Nowym S¹czu z siedzib¹ przy ul. Wiœniowieckiego 136, 33-300 Nowy S¹cz, zwanym dalej Zamawiaj¹cym,

Bardziej szczegółowo

MIÊDZYNARODOWY STANDARD REWIZJI FINANSOWEJ 610 KORZYSTANIE Z WYNIKÓW PRACY AUDYTORÓW SPIS TREŒCI

MIÊDZYNARODOWY STANDARD REWIZJI FINANSOWEJ 610 KORZYSTANIE Z WYNIKÓW PRACY AUDYTORÓW SPIS TREŒCI MIÊDZYNARODOWY STANDARD REWIZJI FINANSOWEJ 610 KORZYSTANIE Z WYNIKÓW PRACY AUDYTORÓW WEWNÊTRZNYCH Wprowadzenie (Stosuje siê przy badaniu sprawozdañ finansowych sporz¹dzonych za okresy rozpoczynaj¹ce siê

Bardziej szczegółowo

KONKURS NA NAJLEPSZE LOGO

KONKURS NA NAJLEPSZE LOGO KONKURS NA NAJLEPSZE LOGO Stowarzyszenie Unia Nadwarciańska ogłasza konkurs na logo. Regulamin konkursu: I. POSTANOWIENIA WSTĘPNE 1. Regulamin określa: cele konkursu, warunki uczestnictwa w konkursie,

Bardziej szczegółowo

Zobacz to na własne oczy. Przyszłość już tu jest dzięki rozwiązaniu Cisco TelePresence.

Zobacz to na własne oczy. Przyszłość już tu jest dzięki rozwiązaniu Cisco TelePresence. Informacje dla kadry zarządzającej Zobacz to na własne oczy. Przyszłość już tu jest dzięki rozwiązaniu Cisco TelePresence. 2010 Cisco i/lub firmy powiązane. Wszelkie prawa zastrzeżone. Ten dokument zawiera

Bardziej szczegółowo

Lublin, 19.07.2013. Zapytanie ofertowe

Lublin, 19.07.2013. Zapytanie ofertowe Lublin, 19.07.2013 Zapytanie ofertowe na wyłonienie wykonawcy/dostawcy 1. Wartości niematerialne i prawne a) System zarządzania magazynem WMS Asseco SAFO, 2. usług informatycznych i technicznych związanych

Bardziej szczegółowo

Raport kwartalny BM Medical S.A.

Raport kwartalny BM Medical S.A. Raport kwartalny BM Medical S.A. IV kwartał 2011r. Warszawa, 14 lutego 2012r. ZAWARTOŚĆ RAPORTU KWARTALNEGO: 1. PODSTAWOWE DANE O EMITENCIE 2. WYBRANE DANE FINANSOWE Z BILANSU ORAZ RACHUNKU ZYSKÓW I STRAT

Bardziej szczegółowo

Biznesplan - Projekt "Gdyński Kupiec" SEKCJA A - DANE WNIOSKODAWCY- ŻYCIORYS ZAWODOWY WNIOSKODAWCY SEKCJA B - OPIS PLANOWANEGO PRZEDSIĘWZIĘCIA

Biznesplan - Projekt Gdyński Kupiec SEKCJA A - DANE WNIOSKODAWCY- ŻYCIORYS ZAWODOWY WNIOSKODAWCY SEKCJA B - OPIS PLANOWANEGO PRZEDSIĘWZIĘCIA Załącznik nr 5 do regulaminu Biznesplan - Projekt "Gdyński Kupiec" SEKCJA A - DANE WNIOSKODAWCY- ŻYCIORYS ZAWODOWY WNIOSKODAWCY SEKCJA B - OPIS PLANOWANEGO PRZEDSIĘWZIĘCIA SEKCJA C - PLAN MARKETINGOWY/ANALIZA

Bardziej szczegółowo

Automatyczne przetwarzanie recenzji konsumenckich dla oceny użyteczności produktów i usług

Automatyczne przetwarzanie recenzji konsumenckich dla oceny użyteczności produktów i usług Uniwersytet Ekonomiczny w Poznaniu Wydział Informatyki i Gospodarki Elektronicznej Katedra Informatyki Ekonomicznej Streszczenie rozprawy doktorskiej Automatyczne przetwarzanie recenzji konsumenckich dla

Bardziej szczegółowo

Poznań, 03 lutego 2015 r. DO-III.272.1.2015

Poznań, 03 lutego 2015 r. DO-III.272.1.2015 Poznań, 03 lutego 2015 r. DO-III.272.1.2015 Zapytanie ofertowe pn.: Opracowanie wzorów dokumentów elektronicznych (e-usług), przeznaczonych do umieszczenia na platformie epuap w ramach projektu e-um: elektronizacja

Bardziej szczegółowo

na dostawę licencji na oprogramowanie przeznaczone do prowadzenia zaawansowanej analizy statystycznej

na dostawę licencji na oprogramowanie przeznaczone do prowadzenia zaawansowanej analizy statystycznej Warszawa, dnia 16.10.2015r. ZAPYTANIE OFERTOWE na dostawę licencji na oprogramowanie przeznaczone do prowadzenia zaawansowanej analizy statystycznej Do niniejszego postępowania nie mają zastosowania przepisy

Bardziej szczegółowo

ZAPYTANIE OFERTOWE. Nazwa zamówienia: Wykonanie usług geodezyjnych podziały nieruchomości

ZAPYTANIE OFERTOWE. Nazwa zamówienia: Wykonanie usług geodezyjnych podziały nieruchomości Znak sprawy: GP. 271.3.2014.AK ZAPYTANIE OFERTOWE Nazwa zamówienia: Wykonanie usług geodezyjnych podziały nieruchomości 1. ZAMAWIAJĄCY Zamawiający: Gmina Lubicz Adres: ul. Toruńska 21, 87-162 Lubicz telefon:

Bardziej szczegółowo

SPIS TRESCI ZNAK TOWAROWY WSTEP CENNIK KONTAKT CHRON SWOJA MARKE. Kamelot radzi:

SPIS TRESCI ZNAK TOWAROWY WSTEP CENNIK KONTAKT CHRON SWOJA MARKE. Kamelot radzi: www.kamelot.pl 2012 SPIS TRESCI ZNAK TOWAROWY CHRON SWOJA MARKE WSTEP CENNIK KONTAKT Kamelot radzi: Dziêki nabyciu prawa ochronnego na znak towarowy mo na zakazaæ konkurencji stosowania tego znaku na terenie

Bardziej szczegółowo

POMOC PSYCHOLOGICZNO-PEDAGOGICZNA Z OPERONEM. Vademecum doradztwa edukacyjno-zawodowego. Akademia

POMOC PSYCHOLOGICZNO-PEDAGOGICZNA Z OPERONEM. Vademecum doradztwa edukacyjno-zawodowego. Akademia POMOC PSYCHOLOGICZNO-PEDAGOGICZNA Z OPERONEM PLANOWANIE DZIAŁAŃ Określanie drogi zawodowej to szereg różnych decyzji. Dobrze zaplanowana droga pozwala dojechać do określonego miejsca w sposób, który Ci

Bardziej szczegółowo

1) BENEFICJENT (ZAMAWIAJĄCY):

1) BENEFICJENT (ZAMAWIAJĄCY): Marcelów, dn. 05.06.2012 r. Zapytanie ofertowe Mając na względzie postanowienia i obowiązki wynikające ze stosowania zasady konkurencyjności oraz zasady efektywnego zarządzania finansami obowiązującej

Bardziej szczegółowo

Regulamin oferty Taniej z Energą

Regulamin oferty Taniej z Energą Regulamin oferty Taniej z Energą ROZDZIAŁ I POSTANOWIENIA OGÓLNE 1. Niniejszy Regulamin określa zasady i warunki skorzystania z oferty Taniej z Energą (zwanej dalej Ofertą) dla Odbiorców, którzy w okresie

Bardziej szczegółowo

UMOWA PARTNERSKA. z siedzibą w ( - ) przy, wpisanym do prowadzonego przez pod numerem, reprezentowanym przez: - i - Przedmiot umowy

UMOWA PARTNERSKA. z siedzibą w ( - ) przy, wpisanym do prowadzonego przez pod numerem, reprezentowanym przez: - i - Przedmiot umowy UMOWA PARTNERSKA zawarta w Warszawie w dniu r. pomiędzy: Izbą Gospodarki Elektronicznej z siedzibą w Warszawie (00-640) przy ul. Mokotowskiej 1, wpisanej do rejestru stowarzyszeń, innych organizacji społecznych

Bardziej szczegółowo

REGULAMIN PROMOCJI: BĄDŹ GOTÓW NA VAT! WYBIERZ SYMFONIĘ

REGULAMIN PROMOCJI: BĄDŹ GOTÓW NA VAT! WYBIERZ SYMFONIĘ REGULAMIN PROMOCJI: BĄDŹ GOTÓW NA VAT! WYBIERZ SYMFONIĘ Postanowienia ogólne 1. Organizatorem Promocji Bądź gotów na VAT! Wybierz Symfonię (dalej: Promocja) jest firma Sage Sp. z o.o. w Warszawie, ul.

Bardziej szczegółowo

SPRAWOZDANIE FINANSOWE

SPRAWOZDANIE FINANSOWE SPRAWOZDANIE FINANSOWE Za okres: od 01 stycznia 2013r. do 31 grudnia 2013r. Nazwa podmiotu: Stowarzyszenie Przyjaciół Lubomierza Siedziba: 59-623 Lubomierz, Plac Wolności 1 Nazwa i numer w rejestrze: Krajowy

Bardziej szczegółowo

PROGRAM NR 2(4)/T/2014 WSPIERANIE AKTYWNOŚCI MIĘDZYNARODOWEJ

PROGRAM NR 2(4)/T/2014 WSPIERANIE AKTYWNOŚCI MIĘDZYNARODOWEJ PROGRAM NR 2(4)/T/2014 WSPIERANIE AKTYWNOŚCI MIĘDZYNARODOWEJ IMiT 2014 1 1. CELE PROGRAMU Program ma na celu podnoszenie kwalifikacji zawodowych artystów tańca oraz doskonalenie kadry pedagogicznej i badawczo-naukowej

Bardziej szczegółowo

Zapytanie ofertowe dotyczy zamówienia publicznego o wartości nieprzekraczającej 30 000 euro.

Zapytanie ofertowe dotyczy zamówienia publicznego o wartości nieprzekraczającej 30 000 euro. Zaproszenie do złożenia oferty cenowej na Świadczenie usług w zakresie ochrony na terenie Pałacu Młodzieży w Warszawie w 2015 roku Zapytanie ofertowe dotyczy zamówienia publicznego o wartości nieprzekraczającej

Bardziej szczegółowo

II. WNIOSKI I UZASADNIENIA: 1. Proponujemy wprowadzić w Rekomendacji nr 6 także rozwiązania dotyczące sytuacji, w których:

II. WNIOSKI I UZASADNIENIA: 1. Proponujemy wprowadzić w Rekomendacji nr 6 także rozwiązania dotyczące sytuacji, w których: Warszawa, dnia 25 stycznia 2013 r. Szanowny Pan Wojciech Kwaśniak Zastępca Przewodniczącego Komisji Nadzoru Finansowego Pl. Powstańców Warszawy 1 00-950 Warszawa Wasz znak: DRB/DRB_I/078/247/11/12/MM W

Bardziej szczegółowo

Umowa kredytu. zawarta w dniu. zwanym dalej Kredytobiorcą, przy kontrasygnacie Skarbnika Powiatu.

Umowa kredytu. zawarta w dniu. zwanym dalej Kredytobiorcą, przy kontrasygnacie Skarbnika Powiatu. Umowa kredytu Załącznik nr 5 do siwz PROJEKT zawarta w dniu. między: reprezentowanym przez: 1. 2. a Powiatem Skarżyskim reprezentowanym przez: zwanym dalej Kredytobiorcą, przy kontrasygnacie Skarbnika

Bardziej szczegółowo

Roczne zeznanie podatkowe 2015

Roczne zeznanie podatkowe 2015 skatteetaten.no Informacje dla pracowników zagranicznych Roczne zeznanie podatkowe 2015 W niniejszej broszurze znajdziesz skrócony opis tych pozycji w zeznaniu podatkowym, które dotyczą pracowników zagranicznych

Bardziej szczegółowo

ZP.271.1.71.2014 Obsługa bankowa budżetu Miasta Rzeszowa i jednostek organizacyjnych

ZP.271.1.71.2014 Obsługa bankowa budżetu Miasta Rzeszowa i jednostek organizacyjnych Załącznik nr 3 do SIWZ Istotne postanowienia, które zostaną wprowadzone do treści Umowy Prowadzenia obsługi bankowej budżetu miasta Rzeszowa i jednostek organizacyjnych miasta zawartej z Wykonawcą 1. Umowa

Bardziej szczegółowo

GRUPA KAPITAŁOWA POLIMEX-MOSTOSTAL SKRÓCONE SKONSOLIDOWANE SPRAWOZDANIE FINANSOWE ZA OKRES 12 MIESIĘCY ZAKOŃCZONY DNIA 31 GRUDNIA 2006 ROKU

GRUPA KAPITAŁOWA POLIMEX-MOSTOSTAL SKRÓCONE SKONSOLIDOWANE SPRAWOZDANIE FINANSOWE ZA OKRES 12 MIESIĘCY ZAKOŃCZONY DNIA 31 GRUDNIA 2006 ROKU GRUPA KAPITAŁOWA POLIMEX-MOSTOSTAL SKRÓCONE SKONSOLIDOWANE SPRAWOZDANIE FINANSOWE ZA OKRES 12 MIESIĘCY ZAKOŃCZONY DNIA 31 GRUDNIA 2006 ROKU Warszawa 27 lutego 2007 SKONSOLIDOWANE RACHUNKI ZYSKÓW I STRAT

Bardziej szczegółowo

Nowy Serwis Pstr gowy. Analiza Rynku Producentów Ryb ososiowatych

Nowy Serwis Pstr gowy. Analiza Rynku Producentów Ryb ososiowatych Nowy Serwis Pstr gowy Analiza Rynku Producentów Ryb ososiowatych Spis Tre ci Za enia Nowego Serwisu Historia Serwisu Pstr gowego Problemy Nowego Serwisu Pstr gowego Pozyskiwanie Danych ci galno danych

Bardziej szczegółowo

RAPORT KWARTALNY za pierwszy kwartał 2012 r. Wrocław, 11 maj 2012 roku

RAPORT KWARTALNY za pierwszy kwartał 2012 r. Wrocław, 11 maj 2012 roku RAPORT KWARTALNY za pierwszy kwartał 2012 r. Wrocław, 11 maj 2012 roku SPIS TREŚCI: 1. PODSTAWOWE INFORMACJE O SPÓŁCE... 3 2. WYBRANE DANE FINANSOWE Z BILANSU ORAZ RACHUNKU ZYSKÓW I STRAT... 4 WYKRES 1.

Bardziej szczegółowo

Satysfakcja pracowników 2006

Satysfakcja pracowników 2006 Satysfakcja pracowników 2006 Raport z badania ilościowego Listopad 2006r. www.iibr.pl 1 Spis treści Cel i sposób realizacji badania...... 3 Podsumowanie wyników... 4 Wyniki badania... 7 1. Ogólny poziom

Bardziej szczegółowo

PROGRAMU PARTNERSKIEGO BERG SYSTEM

PROGRAMU PARTNERSKIEGO BERG SYSTEM Regulamin PROGRAMU PARTNERSKIEGO BERG SYSTEM 1. Organizatorem Programu Partnerskiego BERG SYSTEM" jest KONEKT Sp. z o.o. z siedzibą w: 15-532 Białystok, ul. Wiewiórcza 111; NIP 966 210 20 23; REGON 363632084;

Bardziej szczegółowo

2.Prawo zachowania masy

2.Prawo zachowania masy 2.Prawo zachowania masy Zdefiniujmy najpierw pewne podstawowe pojęcia: Układ - obszar przestrzeni o określonych granicach Ośrodek ciągły - obszar przestrzeni którego rozmiary charakterystyczne są wystarczająco

Bardziej szczegółowo

Przypomnienie najważniejszych pojęć z baz danych. Co to jest baza danych?

Przypomnienie najważniejszych pojęć z baz danych. Co to jest baza danych? Przypomnienie najważniejszych pojęć z baz danych. Co to jest baza danych? 1 Podstawowe pojęcia: 2 3 4 5 Dana (ang.data) najmniejsza, elementarna jednostka informacji o obiekcie będąca przedmiotem przetwarzania

Bardziej szczegółowo

Regulamin Konkursu na najlepszego studenta i na najlepsze koło naukowe Województwa Pomorskiego o nagrodę Czerwonej Róży 2016

Regulamin Konkursu na najlepszego studenta i na najlepsze koło naukowe Województwa Pomorskiego o nagrodę Czerwonej Róży 2016 Regulamin Konkursu na najlepszego studenta i na najlepsze koło naukowe Województwa Pomorskiego o nagrodę Czerwonej Róży 2016 1 Postanowienia ogólne 1. Organizatorem konkursu jest Stowarzyszenie Czerwonej

Bardziej szczegółowo

Katowice, dnia 29 wrzeœnia 2006 r. Nr 15 ZARZ DZENIE PREZESA WY SZEGO URZÊDU GÓRNICZEGO

Katowice, dnia 29 wrzeœnia 2006 r. Nr 15 ZARZ DZENIE PREZESA WY SZEGO URZÊDU GÓRNICZEGO DZIENNIK URZÊDOWY WY SZEGO URZÊDU GÓRNICZEGO Katowice, dnia 29 wrzeœnia 2006 r. Nr 15 TREŒÆ: Poz.: ZARZ DZENIE PREZESA WY SZEGO URZÊDU GÓRNICZEGO 81 nr 6 z dnia 29 sierpnia 2006 r. zmieniaj¹ce zarz¹dzenie

Bardziej szczegółowo

Procedura weryfikacji badania czasu przebiegu 1 paczek pocztowych

Procedura weryfikacji badania czasu przebiegu 1 paczek pocztowych Procedura weryfikacji badania czasu przebiegu 1 paczek pocztowych Warszawa 2012 (nowelizacja 2014) 1 zmiana nazwy zgodnie z terminologią zawartą w ustawie Prawo pocztowe Jednostka zlecająca: Urząd Komunikacji

Bardziej szczegółowo

ZWROT PODATKU VAT NALICZONEGO W INNYM PAŃSTWIE UNII EUROPEJSKIEJ

ZWROT PODATKU VAT NALICZONEGO W INNYM PAŃSTWIE UNII EUROPEJSKIEJ ZWROT PODATKU VAT NALICZONEGO W INNYM PAŃSTWIE UNII EUROPEJSKIEJ Informacje o usłudze Numer usługi 2016/01/12/8058/982 Cena netto 599,00 zł Cena brutto 599,00 zł Cena netto za godzinę 0,00 zł Cena brutto

Bardziej szczegółowo

Regionalna Karta Du ej Rodziny

Regionalna Karta Du ej Rodziny Szanowni Pañstwo! Wspieranie rodziny jest jednym z priorytetów polityki spo³ecznej zarówno kraju, jak i województwa lubelskiego. To zadanie szczególnie istotne w obliczu zachodz¹cych procesów demograficznych

Bardziej szczegółowo

POLITECHNIKA WARSZAWSKA Wydział Chemiczny LABORATORIUM PROCESÓW TECHNOLOGICZNYCH PROJEKTOWANIE PROCESÓW TECHNOLOGICZNYCH

POLITECHNIKA WARSZAWSKA Wydział Chemiczny LABORATORIUM PROCESÓW TECHNOLOGICZNYCH PROJEKTOWANIE PROCESÓW TECHNOLOGICZNYCH POLITECHNIKA WARSZAWSKA Wydział Chemiczny LABORATORIUM PROCESÓW TECHNOLOGICZNYCH PROJEKTOWANIE PROCESÓW TECHNOLOGICZNYCH Ludwik Synoradzki Jerzy Wisialski EKONOMIKA Zasada opłacalności Na początku każdego

Bardziej szczegółowo

Adres strony internetowej, na której Zamawiający udostępnia Specyfikację Istotnych Warunków Zamówienia: www.mcs-przychodnia.pl

Adres strony internetowej, na której Zamawiający udostępnia Specyfikację Istotnych Warunków Zamówienia: www.mcs-przychodnia.pl Adres strony internetowej, na której Zamawiający udostępnia Specyfikację Istotnych Warunków Zamówienia: www.mcs-przychodnia.pl Warszawa: Dostawa materiałów i wypełnień stomatologicznych dla Mazowieckiego

Bardziej szczegółowo

Praca badawcza. Zasady metodologiczne ankietowego badania mobilności komunikacyjnej ludności

Praca badawcza. Zasady metodologiczne ankietowego badania mobilności komunikacyjnej ludności Praca badawcza Zasady metodologiczne ankietowego badania mobilności komunikacyjnej ludności Projekt współfinansowany ze środków Unii Europejskiej w ramach Programu Operacyjnego Pomoc Techniczna 2007-2013

Bardziej szczegółowo

RZECZPOSPOLITA POLSKA. Prezydent Miasta na Prawach Powiatu Zarząd Powiatu. wszystkie

RZECZPOSPOLITA POLSKA. Prezydent Miasta na Prawach Powiatu Zarząd Powiatu. wszystkie RZECZPOSPOLITA POLSKA Warszawa, dnia 11 lutego 2011 r. MINISTER FINANSÓW ST4-4820/109/2011 Prezydent Miasta na Prawach Powiatu Zarząd Powiatu wszystkie Zgodnie z art. 33 ust. 1 pkt 2 ustawy z dnia 13 listopada

Bardziej szczegółowo

Zamawiaj cy: Polska Konfederacja Pracodawców Prywatnych (PKPP Lewiatan) ul. Klonowa 6, 00-591 Warszawa

Zamawiaj cy: Polska Konfederacja Pracodawców Prywatnych (PKPP Lewiatan) ul. Klonowa 6, 00-591 Warszawa ZAPYTANIE OFERTOWE Zamawiaj cy: Polska Konfederacja Pracodawców Prywatnych (PKPP Lewiatan) ul. Klonowa 6, 00-591 Warszawa Data: 28 wrze nia 2010 r. Polska Konfederacja Pracodawców Prywatnych Lewiatan,

Bardziej szczegółowo

ZAPYTANIE OFERTOWE dot. rozliczania projektu. realizowane w ramach projektu: JESTEŚMY DLA WAS Kompleksowa opieka w domu chorego.

ZAPYTANIE OFERTOWE dot. rozliczania projektu. realizowane w ramach projektu: JESTEŚMY DLA WAS Kompleksowa opieka w domu chorego. ZAPYTANIE OFERTOWE dot. rozliczania projektu Wrocław, 31-07-2014 r. realizowane w ramach projektu: JESTEŚMY DLA WAS Kompleksowa opieka w domu chorego. Zamówienie jest planowane do realizacji z wyłączeniem

Bardziej szczegółowo

System wymiany informacji Wyzwania związane z obsługą klienta masowego. Michał Słoniewicz Departament Jakości Danych

System wymiany informacji Wyzwania związane z obsługą klienta masowego. Michał Słoniewicz Departament Jakości Danych System wymiany informacji Wyzwania związane z obsługą klienta masowego Michał Słoniewicz Departament Jakości Danych Warszawa, 19 kwietnia 2010 Kto korzysta z naszych produktów i usług? BANKI ORAZ SKOK-i,

Bardziej szczegółowo

1. PODMIOTEM ŚWIADCZĄCYM USŁUGI DROGĄ ELEKTRONICZNĄ JEST 1) SALESBEE TECHNOLOGIES SP. Z O.O. Z SIEDZIBĄ W KRAKOWIE, UL.

1. PODMIOTEM ŚWIADCZĄCYM USŁUGI DROGĄ ELEKTRONICZNĄ JEST 1) SALESBEE TECHNOLOGIES SP. Z O.O. Z SIEDZIBĄ W KRAKOWIE, UL. REGULAMIN ŚWIADCZENIA USŁUG DROGĄ ELEKTRONICZNĄ W ZAKRESIE UDOSTĘPNIANIA MOŻLIWOŚCI PRZYSTĄPIENIA DO UMÓW UBEZPIECZENIA GRUPOWEGO ZAWARTYCH Z LINK4 S.A. ORAZ OBSŁUGI PŁATNOŚCI ONLINE 1. PODMIOTEM ŚWIADCZĄCYM

Bardziej szczegółowo

Politechnika Warszawska Wydział Matematyki i Nauk Informacyjnych ul. Koszykowa 75, 00-662 Warszawa

Politechnika Warszawska Wydział Matematyki i Nauk Informacyjnych ul. Koszykowa 75, 00-662 Warszawa Zamawiający: Wydział Matematyki i Nauk Informacyjnych Politechniki Warszawskiej 00-662 Warszawa, ul. Koszykowa 75 Przedmiot zamówienia: Produkcja Interaktywnej gry matematycznej Nr postępowania: WMiNI-39/44/AM/13

Bardziej szczegółowo

S I M P L E. E R P ZARZ DZANIE MA J TKIEM. www.simple.com.pl

S I M P L E. E R P ZARZ DZANIE MA J TKIEM. www.simple.com.pl S I M P L E. E R P ZARZ DZANIE MA J TKIEM www.simple.com.pl SIMPLE.ERP ZARZ DZANIE MA J TKIEM Obszar funkcjonalny systemu ZARZ DZANIE MA J TKIEM umo liwia prowadzenie w systemie pe³nej obs³ugi maj¹tku

Bardziej szczegółowo

1. Od kiedy i gdzie należy złożyć wniosek?

1. Od kiedy i gdzie należy złożyć wniosek? 1. Od kiedy i gdzie należy złożyć wniosek? Wniosek o ustalenie prawa do świadczenia wychowawczego będzie można składać w Miejskim Ośrodku Pomocy Społecznej w Puławach. Wnioski będą przyjmowane od dnia

Bardziej szczegółowo

Załącznik nr 4 WZÓR - UMOWA NR...

Załącznik nr 4 WZÓR - UMOWA NR... WZÓR - UMOWA NR... Załącznik nr 4 zawarta w dniu we Wrocławiu pomiędzy: Wrocławskim Zespołem Żłobków z siedzibą we Wrocławiu przy ul. Fabrycznej 15, 53-609 Wrocław, NIP 894 30 25 414, REGON 021545051,

Bardziej szczegółowo

Harmonogramowanie projektów Zarządzanie czasem

Harmonogramowanie projektów Zarządzanie czasem Harmonogramowanie projektów Zarządzanie czasem Zarządzanie czasem TOMASZ ŁUKASZEWSKI INSTYTUT INFORMATYKI W ZARZĄDZANIU Zarządzanie czasem w projekcie /49 Czas w zarządzaniu projektami 1. Pojęcie zarządzania

Bardziej szczegółowo

ZASADY REKLAMOWANIA USŁUG BANKOWYCH

ZASADY REKLAMOWANIA USŁUG BANKOWYCH Załącznik do uchwały KNF z dnia 2 października 2008 r. ZASADY REKLAMOWANIA USŁUG BANKOWYCH Reklama i informacja reklamowa jest istotnym instrumentem komunikowania się z obecnymi jak i potencjalnymi klientami

Bardziej szczegółowo

zgubił całą naszą korespondencję Można by tak wymieniać bez bezpieczeństwa, gdyby była wykonana dnia poprzedniego rozwiązałaby niejeden problem.

zgubił całą naszą korespondencję Można by tak wymieniać bez bezpieczeństwa, gdyby była wykonana dnia poprzedniego rozwiązałaby niejeden problem. Zasada działania usługi Business Safe jest prosta. Zainstalowany na Twoim komputerze progra Dlaczego backupować? Któż z nas nie zna smaku tego okropnego uczucia, gdy włączając kompuuter, który jeszcze

Bardziej szczegółowo

ZAPYTANIE OFERTOWE nr 4/KadryWM13

ZAPYTANIE OFERTOWE nr 4/KadryWM13 Białystok, dn. 16.01.2014r. ZAPYTANIE OFERTOWE nr 4/KadryWM13 DOTYCZY: postępowania opartego na zasadzie konkurencyjności mającego na celu wyłonienie najkorzystniejszej oferty dotyczącej realizacji szkoleń

Bardziej szczegółowo

Regulamin konkursu Konkurs z Lokatą HAPPY II edycja

Regulamin konkursu Konkurs z Lokatą HAPPY II edycja Regulamin konkursu Konkurs z Lokatą HAPPY II edycja I. Postanowienia ogólne: 1. Konkurs pod nazwą Konkurs z Lokatą HAPPY II edycja (zwany dalej: Konkursem ), organizowany jest przez spółkę pod firmą: Grupa

Bardziej szczegółowo