Mønstergjenkjenning innen forretningsanalyse

Størrelse: px
Begynne med side:

Download "Mønstergjenkjenning innen forretningsanalyse"

Transkript

1 WHITE PAPER Mønstergjenkjenning innen forretningsanalyse Implementering med SAS Systemet

2 Innhold Sammendrag...6 Bakgrunn...6 Forretningsbehovene og utfordringene...6 Mønstergjenkjenning og forretningsanalyse...7 Hva er mønstergjenkjenning?...7 Definisjoner...7 Det kognitive paradigmet...7 Relevans risikojustert beslutning...8 Virksomhetsområder hvor mønstergjenkjenning med hell er benyttet Metode Analyse modeller Assosiasjoner - koblinger i mønstre Visualisering av regler og sensitivitet Hvitlister og scenarioer Scoring Utvalgte eksempler på bruksområder Lusking i pasientjournaler - misbruk av hjemler Kredittkortsvindel Analyse av åpne kilder, sosiale nettverk, blogger Automatisk markedsanalyser innen telekom og media (ICT) Varsling av forutsigbart hendelsesforløp Løsningsplattform og hovedkomponenter... 21

3 Figurliste Figur 1 Fastsetting av aktivitetsnivå og oppførsel i gruppe og for individ...8 Figur 2 Identifisering av mulige mønstre...9 Figur 3 Monitorering av relevans for å fastlegge mulige avvik ved hjelp av scoring...9 Figur 4 Mønstergjenkjenningsprosessen...13 Figur 5 Hvor sterke er assosiasjonene, dvs. båndene mellom individ eller hendelser?...14 Figur 6 Mønstergjenkjenningsprosessen fra metode og arbeidshypoteser til analyser og deteksjon...16 Figur 7 Oppslag i helseinformasjon, mulige brudd på hjemler...17 Figur 8 Beregning av score for kortsvindel...18 Figur 9 Analyse av pengestrømmen i nettverk på tvers av hub er...19 Figur 10 Analyse av diskrete hendelser for å forhindre uønsket situasjon...20 Figur 11 Løsningsplattform for mønstergjenkjenning...21 Figur 12 Flyt i prosessene mønstergjenkjenning...22 Tabelliste Tabell 1, Eksempler på applikasjonsområder hvor mønstergjenkjenning har vært benyttet...10 Tabell 2, to alternative strategier for mønsteranalyse...11 Tabell 3, Hovedelementene ved mønstergjenkjenning...12 Tabell 4, Hvitlister og scenarioer

4 Denne white paper er skrevet av Inge Krogstad, Direktør strategi og forretningsutvikling, SAS Institute Norge. Oslo april

5 Sammendrag I takt med den teknologiske utiklingen hvor regne- og lagringsmuligheter i IT systemene nå ikke lengre setter nevneverdige begrensninger på regnekapasitet og estimeringsmuligheter, har analyser som benytter mønstergjenkjenning økt i anvendelse og erobrer stadig nye bruksområder. Analysebaserte IT løsninger som benytter mønstergjenkjenning ufordrer i dag mange av de klassiske fremgangsmåtene for å finne mønstre i store datamengder og i data med varierende eller manglende struktur. Mønstergjenkjenning som metode har her en fordel siden den ikke trenger å forholde seg til hva som er normalt eller unormalt, gyldig eller ugyldig, men kun til begrepet relevans. Metoden utnytter også på en god måte kombinasjonen av data- og text mining. Praktisk utprøving har videre vist at treffprosenten i beregningene kan økes ytterligere ved å benytte klassifisering og bygge profiler på inngangsdata. Mønstergjenkjenning som disiplin er faglig krevende ettersom den stiller store krav til kombinasjon av metodiske og bransjespesifikke kunnskaper. Mønstergjenkjenning som disiplin er faglig krevende ettersom den stiller store krav til kombinasjon av metodiske og bransjespesifikke kunnskaper. SAS Institute har benyttet mønstergjenkjenning innen en rekke løsningsområder, og vi ser at metoden har mange fordeler knyttet til å behandle store transaksjonsvolumer der kunden mangler treningsdata, informasjon er ustrukturert slik som for eksempel sosiale nett og blogger eller at arbeidshypotesene ikke er veldefinerte. Denne rapporten forsøker å gi innsikt i SAS Institutes anvendelse av mønstergjenkjenning, hvordan vi setter opp en mønstergjenkjenningsprosess, videre hvordan vi beregner avvik og risiko score og integrerer resultatene i kundens prosesser og systemer. Til slutt har vi gått gjennom noen utvalgte eksempler på bruksområder innen helsevesenet, kortsvindel, sosiale nettverk, automatisering av markedskampanjer og varsling av forutsigbare hendelser innen prosessindustri / offshore. 5

6 Bakgrunn Forretningsbehovene og utfordringene I virksomhetskritiske forretningsprosesser vil det være nødvendig å overvåke transaksjonsprosessene, finne ut hvor belastningen og risiko er størst for produksjonsstans og ha oversikt over hvordan brukere faktisk benytter systemet. Informasjon på avveier fra denne typen systemer kan bety alt fra omdømme tap, økonomiske vanskeligheter eller tap av kunder, kunden stoler ikke lengre på deg. Mange brukere er ikke klar over at systemene kan eksponere markeds- eller konkurranseinformasjon mer eller mindre skjult i data, eller at systemet egentlig burde underlegges vesentlig strengere bruksregulering både når det gjelder når systemet kan brukes, hva det er tiltenkt og hvilke brukere som faktisk bør ha tilgang. Eksempler på førstnevnte er kundens preferanser segmentert på brukssted eller f.eks. medlemskort. Mens ansattes nysgjerrighet på medlemsregistre, intern dokumentasjon eller naboens track record i offentlig register kan være eksempler på sistnevnte. Ved å dra kundekort når du handler, avleies det geografisk linkbar informasjon som kan knyttes mot så vel reiseruter som preferanser. La oss ta en nærmere kikk på et par eksempler; Eksempel 1, relevante konsumentmønstre Ved å dra kundekort når du handler, avleies det geografisk linkbar informasjon som kan knyttes mot så vel reiseruter som preferanser. M.a.o. det bygges opp potensiell informasjon om din atferd-, rytme- og konsumentvaner. I en konsulent tilbyder sammenheng er det imidlertid mye mer interessant å kikke fremover, dvs. hvordan kan denne informasjonen benyttes til å forsøke å forutse ditt konsum mønster for eksempel på lørdag formiddag og kunne skreddersy tilbud for å utnytte on the spot targeted information. Tilbyder må i en slik sammenheng kunne besvare Hva er de relevante mønstrene som faktisk kan benyttes for å skreddersy slike kundekampanjer?. Eksempel 2, personlig profil og identitet Stadig mer informasjon, både om privatpersoner og virksomheter, er tilgjengelig på nettet og i ulike offentlige og private databaser som helt eller indirekte er koblet til Internett. Ved hjelp av intelligent søketeknologi er det i dag fult mulig å sette opp søk som går igjennom disse enorme datamengdene bestående av databaser, blogger, sosiale nettverk og offentlig tilgjengelige kilder på jakt etter gitte mønstre. Avansert analyse setter deretter sammen og utfører synteser på dette materialet og skaper mer eller mindre det komplette bildet innen bl.a. preferanse, helsetilstand, kriminalitet, personlige forhold og konkurranse. Tester SAS Institute har gjennomført viser at selv kun ved å analysere åpne sosiale nettverk kan individers vaner (og uvaner) identifiseres og settes i system. Hvem vil være interessert i denne typen informasjon? Fellesnevneren i de to eksemplene over er at de benytter mønstergjenkjenning for å gi svarene gjennom at analyseresultatene knyttes sammen med annen informasjon. 6

7 Mønstergjenkjenning og forretningsanalyse Hva er mønstergjenkjenning? Mønstergjenkjenning er ingen ny vitenskap, men et vidtspennende forskningsfelt i akselererende vekst. I parallell med utvikling av datakapasiteten skjer det stadig nyvinning på metodesiden og tilnærmingen benyttes i dag på problemstillinger der datamengden er stor, har fravær på struktur, det mangler tilstrekkelig med treningsdata eller oppgavene er diffuse og vanskelige å gripe fatt i. Definisjoner Mønstergjenkjenning er et fag innen informatikk. Det innebærer at man skal lete gjennom en ofte stor datamengde, etter visse mønstre, og rapportere funn. Selve letingen innebærer at man aktiverer en algoritme på det aktuelle materiale, og med spesiell instruks om hvilke mønster som er av interesse. Funnrapporten vil vise hva som er funnet, hvor det opptrådte, og i hvilken grad funnet er relevant til det som var av interesse. Tidligere skjedde dette manuelt, men i dag vil datamaskiner være sentrale. Kilde: Wikipedia Det kognitive paradigmet Mange har beskrevet og utdypet teoriene rundt mønstergjenkjenning, ulike retninger og anbefalinger på tilnærminger. Bruk av klassifisering, mulighetsrommet som knyttes opp mot metoden samt de domene utfordringene, dvs. hva er egentlig det hensiktsmessig metodevalget, bør det benyttes en tilnærming basert på ledet eller ikke ledet læring? Flere har uttrykt at Dreyfus (Se Dreyfus og Dreyfus 1986) treffer på en forbilledlig og enkel måte der mønstergjenkjenning blir holdt opp mot det kognitive paradigmet eller det Dreyfus beskriver som ubevist informasjonsbehandling gjennom vår evne til raskt og effektivt å identifisere hva som er viktig og riktig. Det kognitive paradigmet - Ubevist informasjonsbehandling evnen til raskt og effektivt å identifisere hva som er viktig og riktig Dreyfus og Dreyfus 1986 Med dette i minnet er det lettere å forstå nøkkelbegrepet relevans og hvordan vi benytter dette i våre analytiske løsninger for mønstergjenkjenning. 7

8 Relevans risikojustert beslutning Vi skal nå se på begrepet relevans og hvordan vi benytter dette i kombinasjon med teorien rundt mønstergjenkjenning for å analysere problemstillingene. Problemstillingene har vi nedfelt i et sett med arbeidshypoteser relatert til mønsterinstruksen som vi ønsker å arbeide ut fra. Etterfølgende eksempel identifiserer en gruppe. Gruppen har på et valgt tidspunkt et aktivitetsnivå og alle medlemmene i gruppene har entydige og tilstrekkelig like attributter som identifiserer tilhørigheten og gruppe egenskapene. M.a.o. på et valgt tidspunkt er vi i stand til å identifisere verdiene av de parametere som på en entydig måte beskriver gruppen. Ole tilhører denne gruppen, men gjennom monitorering finner vi ut at på et gitt tidspunkt har imidlertid Ole et annet aktivitetsnivå og oppførsel enn sin gruppe. For å kunne fastlegge om dette er tilfeldig eller om vi her har identifisert et mønster benytter vi analyseteknikker basert på såkalt ikke-ledet metode (se senere beskrivelse). Metoden trenger m.a.o. ikke forholde seg til hva som er normalt eller unormalt, men kun til relevant aktivitetsnivå. Hvor gode prediksjoner vi oppnår er ofte styrt av hvordan vi klarer å benytte klassifisering og bygge profilene for å fastsette de antatt beste og entydige grupperingsparameterne. Figur 1 Fastsetting av aktivitetsnivå og oppførsel i gruppe og for individ 8

9 Figur 2 Identifisering av mulige mønstre Figur 3 Monitorering av relevans for å fastlegge mulige avvik ved hjelp av scoring Metoden krever at vi, for et valgt sett med faktorer, kan fastlegge hva som er relevante avvik og for hver av disse måle Ole opp mot gruppen. 9

10 Virksomhetsområder hvor mønstergjenkjenning med hell er benyttet I tabellen under er det listet eksempler på applikasjonsområder hvor mønstergjenkjenning med hell har vært benyttet både innenfor privat og offentlig virksomhet. Tabell 1, Eksempler på applikasjonsområder hvor mønstergjenkjenning har vært benyttet Identifisere individ eller hendelser blant mange Diagnostisere helsetilstand og sykdomsforløp Kvalitetskontroll i produksjon varer og tjenester Finne skjult tekst, tallkoder eller symboler Identifisere kundens handle- reaksjonsmønstre Ressursovervåkning og kapasitetsanalyser Avsløre svik, heleri, unndragelse eller annen økonomisk kriminalitet Kjennetegn på situasjoner hvor mønstergjenkjenning har fordeler i forhold til alternative metoder: Store transaksjonsvolumer Mønstrene er ikke kjente Utydelige og overlappende profiler på roller, objekter eller hendelser Små, usikre eller ingen treningsdata Omfattende eller usikker tuning for å luke falske positiver 10

11 Metode SAS Institute har prøvd ut et bredt sett med metoder for å angripe tematikken mønstergjenkjenning og har bl.a. høstet gode erfaringer ved å benytte modeller basert på metoden Ikke ledet læring og hvitlister for å identifisere mulige mønstre. Metoden har bl.a. vist seg å være effektiv innen bekjempelse av økonomisk kriminalitet, bl.a. på grunn av at den ikke forutsetter treningsdata, filtre eller forhåndsdefinerte regler. Resultatene fra kontrollerbar praktisk utprøving har vist at metoden er egnet og har robuste egenskaper for å identifisere både knytninger (bånd) og avvik (relevans) i datamaterialet samt å peke ut kandidater til skjulte mønstre. Etter å ha satt sammen data slik at vi kan se relasjonene mellom individer og hendelser benyttes spesialiserte analyseteknikker slik som assosiasjonsanalyse og clustering for å bygge dynamiske datastyrte regler. Disse reglene blir deretter benyttet for å vaske original data og dermed finne skjulte mønstre og driverne bak disse. Disse driverne er viktig og bør studeres for å forstå og analysere resultatene videre. I de tilfeller mønsteranalysene blir benyttet til å avsløre avvikene atferd (for eksempel kortsvindel eller lusking i persondata), kan overtredelser av regler risikoscores og rangeres for videre undersøkelser. En risikoscore vil i en slik sammenheng kunne si noe om alvorsgrad og sannsynligheten for faktisk misbruk av for eksempel tillit eller signaturrett. Tabell 2, to alternative strategier for mønsteranalyse Basert på ekspert beslutning (ledet læring) Beslutningen er representert i treningsdata Benytter historikk knyttet til oppførsel og mønstre Analysene bygger på både parameteriserte og ikke-parameteriserte metoder Metoden favner et stort utbud av modell alternativer inkl. glm, neurale nett, trealyser og logistisk regresjon Uten ekspert beslutning (ikke ledet læring) Beslutningen er ikke representert i treningsdata eller på annen måte ikke kjent Undersøker oppførsel for å finne uteliggere eller anormal oppførsel som avviker fra andre Benytter både univariate og multivariate teknikker for å finne avvik Metoden benyttet bl.a. clustering, prinsipalkomponenter, peer groups, s.o.m., assosiasjonsanalyse og trendanalyser 11

12 Tabell 3, Hovedelementene ved mønstergjenkjenning Mønstre og bånd Forutsetter ikke kjennskap til normal eller unormal beskrivelse Metoden plukker ut mulige mønstre og grad av knytning Mønstrene bobler opp fra data Hvitlister og scenarioer Assosiasjonsregler og clustering kan benyttes for å bygge hvitlister Hvitlistene vasker ut avvik Scenarioene scorer originaldata Triggere og scoring Risikovektingen gir informasjon om sannsynlighetsgrad på avvik Scoringsregler kan bestå av et sett med triggere med eller uten avhengigheter Analysemodeller Med metoden ikke ledet læring forsøker vi å finne ut hvordan data er organisert og hvilke egenskaper som kjennetegner data. Teorien bygger på mye av samme tenkningen som ligger bak tetthetsfunksjoner som beregner hvor sannsynlige ulike resultater er i forhold til hverandre. Til å gjennomføre dette benytter SAS analysemodeller som grupperer data og identifiserer mulige knytninger ut fra tilhørighet og fellestrekk. Her benytter vi bl.a. hybride analyseteknikker som kombinerer assosiasjonsanalyse - clustering med spesielle visualiseringsteknikker. På denne måten prøver vi å fastlegge hvor sterke bånd det faktisk er mellom individer, objekter eller hendelser. Ved å studere båndene vil vi kunne se avtrykk av mulige skjulte mønstre i datamaterialet. Det er denne prosessen som danner grunnlaget for å skape de endelige assosiasjonsreglene. For å visualisere og identifisere potensielle regler, benyttet vi forskjellige støtteteknikker som link analyse og multidimensjonale plott. Dette gir en god oversikt over relevante relasjoner mellom individ, roller og hendelser samtidig som vi får dannet oss bilde over sensitiviteten, dvs. innsikt i styrken i relasjonene? 12

13 Assosiasjoner - koblinger i mønstre Mønstergjenkjenningsprosessen må starte med at det besluttes en deteksjonsstrategi og en mønsterinstruks, dvs. hva skal systemet lete etter? Ut fra dette vurderes metodiske valg, alternative algoritmer og organisering av data. Figur 4 Mønstergjenkjenningsprosessen Assosiasjonsreglene danner basis for å fastlegge dynamiske hvitlister, dvs., de samhandlinger som i et risikojustert perspektiv ansees som normale mellom individ og hendelse. Hvitlistene utgjør stammen i det vi benevner scenarioer. Scenarioene er parameterbaserte definisjoner av hendelser som benyttes for å måle og beskrive mulige avvik. Hvert scenario kan bestå av en eller flere parametere. De enkelte parametere i scenarioet vil i den etterfølgende scoringsprosessen kunne risikovektes (baysiansk vekting og apriorisansynligheter). 13

14 Visualisering av regler og sensitivitet I figuren under er det vist linkanalyse som bl.a. benyttes for å videreføre resultatene fra assosiasjons-analysen eller clustering. Dette har vist seg å være en svært hensiktsmessig fremgangsmåte for å finne mulige assosiasjonsregler som kan bekrefte eller avkrefte listen av arbeidshypoteser. Et sentralt spørsmål i denne typen analyser vil være å fastlegge grad av relevans, dvs. hvor sterke er egentlig relasjonene (båndene). For å nærme oss slike problemstillinger benytter vi bl.a. sensitivitetsanalyser. Eksemplet under viser hvordan vi kan visualisere resultatene fra sensitivitetsanalysene. Denne typen analyser foretas ofte på normerte data, alternativt kan dette gjøres på fraksjoner, for eksempel 1. kvartil, median osv. Figur 5 Hvor sterke er assosiasjonene, dvs. båndene mellom individ eller hendelser? 14

15 Hvitlister og scenarioer Tabell 4, Hvitlister og scenarioer Hvitlister Valide assosiasjonsregler Danner stammen for parametersetting i scoringsprosess Scenarioer Parameterbaserte definisjoner av hendelser som beskriver mulige avvik Vasker originaldata Assosiasjonsreglene danner grunnlaget for å kunne fastlegge hvitlistene. Etter analysene vil hvitlistene gi en oversikt over av hva som kan være relevante knytninger mellom individ, objekter og hendelser og om det på et slikt grunnlag fremkommer mulige mønstre. Vi kan videre endre granuleringen i disse bildene ytterligere gjennom å bryte informasjonen ned på attributtene som bygger opp dimensjonene bak modellene, dvs. vi utnytter informasjonen som ligger i profilene som systemet har generert. Hvitlistene er videre basis for å sette opp scenarioene og de parametrene som bør benyttes. Scoring Når vi har besluttet hvilke scenarioer vi ønsker å benytte og fastlagt parametere, kan scenarioene benyttes i en scoringsprosess. En slik bearbeiding vil evaluere alle transaksjonene og beregne mulig avvik. En slik scoring som på mange måter kan betraktes som sluttproduktet av fra mønstergjenkjennings-prosessen vil for eksempel kunne si noe om: Hvilken rolle i virksomheten rammer produksjonen mest ved sykdom? Hvor finner vi de 3 viktigste sekvensielle enkelt hendelse som indikerer produksjonsstans i løpet av kommende 5 timer? Hva er de 2 viktigste indikasjonene på feilbehandling? I det store bilde i mønstergjenkjenningsprosessen utgjør scoringen m.a.o. endepunktet av analysene. Analysene satte opp reglene ved hjelp av hvitlister / scenarioene og scoringen systematiserte og vektet hvilke triggere som ble aktivisert for transaksjonene. 15

16 Mønstergjenkjenning Figur 6 Mønstergjenkjenningsprosessen fra metode og arbeidshypoteser til analyser og deteksjon 16

17 Utvalgte eksempler på bruksområder Lusking i pasientjournaler - misbruk av hjemler Det er flere utfordringer knyttet til personvern og elektronisk lagret informasjon, bl.a. misbruk av rettigheter og hjemler for oppslag i pasientjournaler (misbruk av tekniske tilganger utenfor hjemmel og oppslag gjennom normal tilgang såkalt aktualisering). Gjennom aktualisering (som er en rettighet) vil leger, sykepleiere, psykologer, fysioterapeuter, ergoterapeuter, sosionomer, logopeder, ernæringsfysiologer, yrkeshygienikere, pedagoger, vernepleiere og sekretærer ha tilgang til pasientjournalene for nåværende og tidligere innlagte pasienter i helseforetaket. Utfordringene ligger dermed i å gi tilgang til de som skal ha tilgang og samtidig detektere ulovlige tilganger. SAS har utviklet løsninger basert på avansert analyse og mønstergjenkjenning som kan brukes for å avsløre mulig misbruk av utvidede tekniske tilganger og samtidig unngå usikkerheter knyttet til om helseforetaket på forhånd i tilstrekkelig grad har lykkes i å definere hva som er unormalt eller ulovlig. Figur 7 Oppslag i helseinformasjon, mulige brudd på hjemler 17

18 Kredittkortsvindel Tyveri av kredittkort og sikkerhetskode er et økende problem. Med stjålet kredittkort forsøker tyven å bruke kortet på normal måte. Hva er så normal bruk av et gitt kredittkort? Det er nærliggende å koble dette til eieren og kombinasjonen av historikk, grenseverdier og aktivitetsnivå og lagre denne informasjonen spesifikt på kunden. Når tyven benytter kortet på flybussen og kjøper billett til kr 50 på en onsdag, vil denne bruken ikke matche mønsteret som er registrert på kunden både m.h.t. ukedag, brukersted og beløp. Vårt system kan initiere sperring av bruk og varsler servicesenteret som begrenser tapet. SAS benytter analysebaserte løsninger med rutiner for kontobelastning som bl.a. benytter neurale nettverks rutiner. For hver kombinasjon av kort eier vedlikeholder systemet dynamisk kundens bruksmønster. Forsøk på debitering screenes og scores i sanntid m.h.t. relevans og aktivitetsnivå. For kombinasjonen av alle korteiere og kort bygges profiler som ut fra et uendelig rom av dimensjoner beskriver relevant aktivitetsnivå og sekvenser. Således vil tyven med stor sannsynlighet bli stoppet dersom han ikke kjenner og har detaljkunnskap om brukerens vaner. Figur 8 Beregning av score for kortsvindel 18

19 Analyse av åpne kilder, sosiale nettverk, blogger SAS har lagt frem interessante resultater på bl.a. mistanke om skatteunndragelse, narkotika omsetning og innside handel kun basert på analyser av åpne kilder, dvs. blogger og sosiale nettverk. Det som gjør denne typen analyse utfordrende er at det meste av data kun finnes som ustrukturert tekst. Når vi gjennomfører mønstergjenkjenning på slike datakilder, må derfor informasjonen omformes fra tekst til tall. Til dette benyttes text mining, ontologi og automatisk innholdsklassifisering. Resultatene fra analysene gir bl.a. brukerne nettverks- og stjernediagrammer som viser relasjoner og samhandling mellom aktørene. Metoden benyttes bl.a. for å kartlegge mulige kriminelle nettverk, priskarteller eller hvordan penger flyttes mellom konti på tvers av finansielle institusjoner. Figur 9 Analyse av pengestrømmen i nettverk på tvers av hub er Automatisk markedsanalyser innen telekom og media (ICT) Alle telefonsamtaler har en ringer som forsøker å nå minst en mottaker via en eller flere noder i nettverket. Teleselskapene benytter i dag denne informasjonen bl.a. for å modellere signalering, mediastrøm og markedsklynger. M.a.o. i trafikkdata ligger mange av nøkkelene til produktutvikling. Ved hjelp av analysemodeller kan kundesentrisk modeller defineres hvor man fastlegger ringemønster og finner potensielle klynger. Nodene kan knytte disse resultatene bl.a. til geografisk informasjon. Klyngene danner basis for forretningsutvikling og identifisere fremtidige produkter som styrker båndene til leverandør på tjenestesiden og som strømlinjeutformes mot respondenten vha kampanjer. SAS har utviklet analysebaserte løsninger som bl.a. benytter link- og nettverksanalyse for å identifisere potensielle klynger m.a.o. ut fra ringemønster, og på basis av dette, legger opp de beste kundekampanjene. Datastrømmene styrer til enhver tid hvordan kampanjen rettes inn mot brukergruppene gjennom å dreie mot segmenter med best score, dvs. med størst inntjeningsmulighet for tjenesteleverandøren. 19

20 Varsling av forutsigbart hendelsesforløp Mange hendelser kan forutses hvis man har tilgang til kvalitative datastrømmer som kan modellere et fenomen eller fremskrive når en trend mest sannsynlig vil bevege seg utenfor vedtatte grenseverdier (toleranser). Slike modeller grupperes ofte i såkalte avviksbaserte, trendbaserte og hendelsesbaserte modeller. I en avviksbasert modell forsøker vi å tilpasse en teoretisk modell til empiriske resultater, dvs. data fra observerte prosesser. I en trendbasert modell studerer vi tendenser og trender i et kortere eller lengre tidsperspektiv. Utfordringene med slike modeller er ofte å fastlegge riktig oppløsning på tidslinjen. Hendelsesbaserte modeller analyserer diskrete hendelser og deres betydning for prosessen. SAS har analysebaserte løsninger som dekker alle disse gruppene. Figuren under viser et eksempel fra hendelsesbasert modellering. Loggedata er her hentet fra tidsserie ved boring offshore. Hendelsene A1, A2 og A3 eksemplifiserer diskrete hendelser som ble benyttet til å forutsi stans i boringen T. SAS har gjennomført flere prosjekter som har prøvd ut operasjonaliseringen av slike varslingsmodeller. Forretningsfokus er ofte rettet mot det tidsvinduet analysen gir operatøren slik at han proaktivt kan gripe inn i prosessene og forhindre stans eller havari i boreutstyret. Figur 10 Analyse av diskrete hendelser for å forhindre uønsket situasjon 20

21 Løsningsplattform og hovedkomponenter Løsningen for mønstergjenkjenning består av 3 hovedkomponenter som integreres mot brukers produksjon, fagsystemer og databaser. Løsningen analyserer transaksjoner og leverer resultatene tilbake i kundens infrastruktur ved hjelp av SAS plattformen og standardiserte grensesnitt. Figur 11 Løsningsplattform for mønstergjenkjenning Flyten i mønstergjenkjenningsprosessen styres på overordnet nivå gjennom 3 delprosesser. Disse er bygget opp av en rekke tjenester som også kan knyttes sammen i en spesifikk valgt tjenesteorientering hvis brukeren har preferanser på egen SOA/Web Service plattform. Plattformen støtter alle vanlige midleware, databaser og integrasjonsbusser. 21

22 Dataintegrasjon Knytter sammen systemer, databaser og datakilder, vasker data og gjennomfører transformasjoner. Del prosessen klargjør analysegrunnlaget, dvs. operasjonalisering av metodevalgene og analyseoppsett samt generering av metadata for videre prosesstøtte. Analyse Består av en rekke tjenester. Transaksjonene kjøres gjennom scenarioer. Hver forekomst risikoscores mht. at det kan være et avvik fra arbeidshypotesene. Analyseprosessen ivaretar videre opparbeiding av hvitlister og administrerer og drifter scenarioene. Oppfølging Analysetjenestene inneholder modellene, hvitliste sammenstillingene, scoring, vekting og konsolidering av resultater hvor det genseres rapporter, benchmarks og auditing data. Disse benyttes bl.a. som underlag for videre oppfølging og med grensesnitt mot kundens interne systemer. Figur 12 Flyt i prosessene mønstergjenkjenning 22

23 SAS Institute Inc. World Headquarters To contact your local SAS office, please visit: SAS and all other SAS Institute Inc. product or service names are registered trademarks or trademarks of SAS Institute Inc. in the USA and other countries. indicates USA registration. Other brand and product names are trademarks of their respective companies. Copyright 2008, SAS Institute Inc. All rights reserved _

Copyright 2010, SAS Institute Inc. All rights reserved.

Copyright 2010, SAS Institute Inc. All rights reserved. Analyse. Oppdatering og stresstesting av eksisterende modeller og deling av risk scenarier. Cathrine Pihl Næss Senior Advisor - Analytical Intelligence SAS Institute Agenda Oppdatering på utvalgte områder

Detaljer

Kontroll av omsetningsoppgaver ny modell kan gi bedre utvelgelse

Kontroll av omsetningsoppgaver ny modell kan gi bedre utvelgelse Kontroll av omsetningsoppgaver ny modell kan gi bedre utvelgelse Tormod Reiersen, Skattedirektoratet Per Arne Paulsen, Skattedirektoratet Anders Berset, Skattedirektoratet I 2012 gjennomførte Skatteetaten

Detaljer

Capgemini Bergen. og vi snakker om... Simply. Business Cloud. Rolf Wangsholm regiondirektør

Capgemini Bergen. og vi snakker om... Simply. Business Cloud. Rolf Wangsholm regiondirektør Capgemini Bergen. og vi snakker om... Simply. Business Cloud Rolf Wangsholm regiondirektør Agenda Kort om Capgemini Cloud Skytjenester. Endelig modent? Business Cloud 7 th December, 2012 Copyright Capgemini

Detaljer

PRODUKT- MASTERDATA FRA ENGINEERING DOKUMENTER TIL ET PRODUKT I DRIFT

PRODUKT- MASTERDATA FRA ENGINEERING DOKUMENTER TIL ET PRODUKT I DRIFT PRODUKT- MASTERDATA FRA ENGINEERING DOKUMENTER TIL ET PRODUKT I DRIFT FMC Technology KONGSBERG SBN- KONFERANSEN 2014 Kjell Arne Drag FMC Technologies at a glance The World's largest oilfield equipment

Detaljer

Kontroll av oppslagslogger i EPJ ved hjelp av mønstergjenkjenning

Kontroll av oppslagslogger i EPJ ved hjelp av mønstergjenkjenning Kontroll av oppslagslogger i EPJ ved hjelp av mønstergjenkjenning Helge Grimnes Seksjon for informasjonssikkerhet og personvern Stab pasientsikkerhet og kvalitet Oslo universitetssykehus HF Grunnlag for

Detaljer

Mange definisjoner. Hva er datagruvedrift (data mining)?

Mange definisjoner. Hva er datagruvedrift (data mining)? Hva er datagruvedrift (data mining)? Mange definisjoner Ikke-triviell uttrekking av implisitt, tidlegere ukjent, og potensiell nyttig informasjon fra data Utforskning og analyse, automatisk eller semiautomatisk,

Detaljer

PERSONVERNPOLICY. Sist oppdatert den 15. januar 2010

PERSONVERNPOLICY. Sist oppdatert den 15. januar 2010 PERSONVERNPOLICY Sist oppdatert den 15. januar 2010 Hva denne policyen omfatter Denne personvernpolicyen for gjester ("Policyen") beskriver hvordan vi i Rezidor Hotel Group, via vårt danske selskap Rezidor

Detaljer

Remote Video Solutions. Kameratjenester fra Securitas

Remote Video Solutions. Kameratjenester fra Securitas Remote Video Solutions Kameratjenester fra Securitas 2 Remote Video Solutions Remote Video Solutions gir deg økt trygghet. Vi kombinerer smart teknologi og vektere i en sikkerhetsløsning som vi vet kan

Detaljer

Informasjonsorganisering. Information Architecture Peter Morville & Jorge Arango Kapittel 4, 5 & 6

Informasjonsorganisering. Information Architecture Peter Morville & Jorge Arango Kapittel 4, 5 & 6 Informasjonsorganisering Information Architecture Peter Morville & Jorge Arango Kapittel 4, 5 & 6 Bevissthet om sted, omgivelser og tingenes plassering Ting er noe vi forstår i relasjon til noe annet Informasjonsomgivelsenes

Detaljer

Helhetlig integrasjonsplattform. Per Olav Nymo

Helhetlig integrasjonsplattform. Per Olav Nymo Helhetlig integrasjonsplattform Per Olav Nymo Affecto i korte trekk Bergen I Norge siden 1997 Spesialisert på Enterprise Information Management 130 ansatte i Oslo og Bergen 1.000 ansatte i Norden og Baltikum

Detaljer

Forskningsmetoder i informatikk

Forskningsmetoder i informatikk Forskningsmetoder i informatikk Forskning; Masteroppgave + Essay Forskning er fokus for Essay og Masteroppgave Forskning er ulike måter å vite / finne ut av noe på Forskning er å vise HVORDAN du vet/ har

Detaljer

Hvordan gjennomføres id-tyverier og hva kan gjøres. Tore Larsen Orderløkken Leder NorSIS

Hvordan gjennomføres id-tyverier og hva kan gjøres. Tore Larsen Orderløkken Leder NorSIS Hvordan gjennomføres id-tyverier og hva kan gjøres Tore Larsen Orderløkken Leder NorSIS 1 Noen definisjoner Identitetstyveri Uautorisert innsamling, besittelse, overføring, reproduksjon eller annen manipulering

Detaljer

Rollemodell. for. det norske kraftmarkedet

Rollemodell. for. det norske kraftmarkedet Rollemodell for det norske kraftmarkedet Versjon: 1.1.A Dato: 27. mai 2010 INNHOLD 1. INNLEDNING... 3 1.1 OM ROLLEMODELLEN... 3 1.2 EDIEL/EBIX... 3 1.3 NOEN UAVKLARTE PROBLEMSTILLINGER... 4 1.3.1 Nettområder

Detaljer

Loven om total sannsynlighet. Bayes formel. Testing for sykdom. ST0202 Statistikk for samfunnsvitere

Loven om total sannsynlighet. Bayes formel. Testing for sykdom. ST0202 Statistikk for samfunnsvitere 2 Loven om total sannsynlighet La A og Ā være komplementære hendelser, mens B er en annen hendelse. Da er: P(B) P(B oga)+p(b ogā) P(B A)P(A)+P(B Ā)P(Ā) ST0202 Statistikk for samfunnsvitere Bo Lindqvist

Detaljer

Norsk e-helsebarometer 2016

Norsk e-helsebarometer 2016 Norsk e-helsebarometer 2016 Nasjonal befolkningsundersøkelse 15. april 2016 Gjennomført for DIPS ASA Kort om undersøkelsen Prosjektinformasjon Bakgrunn og mål Oppdragsgiver/kontaktperson Målgruppe Kartlegge

Detaljer

Notat om Norge digitalt og Norvegiana

Notat om Norge digitalt og Norvegiana mai 2015 Notat om Norge digitalt og Norvegiana Rammer og forutsetninger Dette notatet tar for seg problemstillinger som er aktuelle for samhandling mellom Norvegiana og Norge digitalt i et fremtidig digitalt

Detaljer

En kort presentasjon av

En kort presentasjon av En kort presentasjon av Axenna er leverandør av 100% Open Source Business Intelligence. Axenna Business Intelligence Server er satt sammen med de beste BIkomponentene fra de mest anerkjente Open Source

Detaljer

Innføring i sosiologisk forståelse

Innføring i sosiologisk forståelse INNLEDNING Innføring i sosiologisk forståelse Sosiologistudenter blir av og til møtt med spørsmål om hva de egentlig driver på med, og om hva som er hensikten med å studere dette faget. Svaret på spørsmålet

Detaljer

Analyse av kundeavgang IBM Watson Content Analytics. Oslo, 19. november, 2015 Mons Nørve, Capgemini

Analyse av kundeavgang IBM Watson Content Analytics. Oslo, 19. november, 2015 Mons Nørve, Capgemini Analyse av kundeavgang IBM Watson Content Analytics Oslo, 19. november, 2015 Mons Nørve, Capgemini Agenda Prosjektet: Kundeavgang Prosess og metode Teknisk «demo» Resultater Erfaringer Copyright Capgemini

Detaljer

Seminar om betalingssystemer og IKT i finanssektoren, 03.05.2012

Seminar om betalingssystemer og IKT i finanssektoren, 03.05.2012 Seminar om betalingssystemer og IKT i finanssektoren, 03.05.2012 Risiko- og sårbarhetsanalyse (ROS) Finansforetakenes bruk av IKT og betalingstjenester Seksjonssjef Frank Robert Berg Finanstilsynet Risikobildet

Detaljer

IKT-reglement for NMBU

IKT-reglement for NMBU IKT-reglement for NMBU Vedtatt av Fellesstyret for NVH og UMB 23.05.2013 IKT-reglement for NMBU 1 Innhold 1 Virkeområde for NMBUs IKT-reglement... 3 1.1 Virkeområde... 3 1.2 Informasjon og krav til kunnskap

Detaljer

Sammenhenger, problemstillinger og forklaringer

Sammenhenger, problemstillinger og forklaringer Sammenhenger, problemstillinger og forklaringer Forelesning 18/9 2014 Viktige momenter fra sist Enheter, verdier og variabler Ulike typer variabler: Mikro, meso og makro Kontinuerlige, diskrete og dikotome

Detaljer

Personvernerklæring 1. Innledning 2. Når innhenter vi personlige opplysninger? 3. Hvilken personlig informasjon innhenter vi fra deg?

Personvernerklæring 1. Innledning 2. Når innhenter vi personlige opplysninger? 3. Hvilken personlig informasjon innhenter vi fra deg? Personvernerklæring 1. Innledning Vi er Supplies Distributors SA, som har registrert kontor i rue Louis Blériot 5, 4460 Grâce-Hollogne, registrert i handelsregisteret i Liège under nr. 208.795, MVA-nr.

Detaljer

Det må etableres gode og fremtidsrettede helseregistre som gir formålstjenlig dokumentasjon til kvalitetsforbedrende arbeid og forskning.

Det må etableres gode og fremtidsrettede helseregistre som gir formålstjenlig dokumentasjon til kvalitetsforbedrende arbeid og forskning. Policydokument nr. 3/2011 Etablering og bruk av helseregistre Legeforeningen arbeider for å bedre kvaliteten i helsetjenesten og for en helsetjeneste som er mest mulig lik for alle. Bruk av valide og kvalitetssikrede

Detaljer

MET 3431: Statistikk (våren 2011) Introduksjon. Genaro Sucarrat. Institutt for samfunnsøkonomi, BI. http://www.sucarrat.net/teaching/met3431/v2011/

MET 3431: Statistikk (våren 2011) Introduksjon. Genaro Sucarrat. Institutt for samfunnsøkonomi, BI. http://www.sucarrat.net/teaching/met3431/v2011/ MET 3431: Statistikk (våren 2011) Introduksjon Genaro Sucarrat Institutt for samfunnsøkonomi, BI http://www.sucarrat.net/teaching/met3431/v2011/ Sist endret: 11. januar 2011 1 Praktisk info 2 Typer data

Detaljer

Ulike metoder for bruketesting

Ulike metoder for bruketesting Ulike metoder for bruketesting Brukertesting: Kvalitative og kvantitative metoder Difi-seminar 10. desember 2015 Henrik Høidahl hh@opinion.no Ulike metoder for bruketesting 30 minutter om brukertesting

Detaljer

Policy vedrørende informasjonskapsler og annen tilsvarende teknologi

Policy vedrørende informasjonskapsler og annen tilsvarende teknologi Policy vedrørende informasjonskapsler og annen tilsvarende teknologi 1. Hva omfavner denne policyen? Denne policyen dekker dine handlinger hva angår Tikkurila sine digitale tjenester. Policyen dekker ikke

Detaljer

NÅ KOMMER NYE YAHOO! SPONSORED SEARCH

NÅ KOMMER NYE YAHOO! SPONSORED SEARCH NÅ KOMMER NYE YAHOO! SPONSORED SEARCH MER AV DET DU BA OM. Enkel administrering Et nytt og bedre kontrollpanel som er enkelt å navigere, og som gjør det lettere å se hva som fungerer bra i kampanjen, og

Detaljer

Vår kognitiv-semiotiske modell gir muligheten til å forstå kunnskapsdynamikken som finner sted i individet og i en innovasjonsprosess.

Vår kognitiv-semiotiske modell gir muligheten til å forstå kunnskapsdynamikken som finner sted i individet og i en innovasjonsprosess. Sammendrag Innledning Organisatorisk innovasjon følges ofte av problemer [e.g. van de Ven 1986; Leonard-Barton 1988/1995; Geerts 1999; Laudon & Laudon 2000/2002; van Stijn 2006]. Vi mener at kunnskap er

Detaljer

Dersom du har noen spørsmål eller kommentarer, ikke nøl med å kontakte oss ved «Kontakt».

Dersom du har noen spørsmål eller kommentarer, ikke nøl med å kontakte oss ved «Kontakt». Personvern vilkår Om Velkommen til Hoopla, Hoopla AS ( Selskapet, Vi og/eller Vår ) gjør det mulig for mennesker å planlegge, promotere og selge billetter til et Arrangement. Vi gjør det enkelt for alle

Detaljer

Innovasjon og tjenestedesign for bedre kvalitet. Hvordan jobbe på nye måter i tjenestene våre?

Innovasjon og tjenestedesign for bedre kvalitet. Hvordan jobbe på nye måter i tjenestene våre? Innovasjon og tjenestedesign for bedre kvalitet. Hvordan jobbe på nye måter i tjenestene våre? Riche Vestby Etikkonferansen 30.04.2014 Dette foredraget handler om: Å åpne opp for nye tankesett og utfordre

Detaljer

Nasjonalt kvalifikasjonsrammeverk for livslang læring

Nasjonalt kvalifikasjonsrammeverk for livslang læring Nasjonalt kvalifikasjonsrammeverk for livslang læring Vedtatt av Kunnskapsdepartementet 15. desember 2011. Matrise der læringsutbyttebeskrivelsene er gruppert tematisk ved siden av hverandre fra nivå 4

Detaljer

automatisk informasjonssjekk av jobbsøkere på internett

automatisk informasjonssjekk av jobbsøkere på internett CyberSearchMe automatisk informasjonssjekk av jobbsøkere på internett «Få full oversikt over all informasjon om kandidaten på internett uten i det hele tatt å tenke på googling» 24 timer i døgnet 365 dager

Detaljer

HASP feilsøkingsveiledning

HASP feilsøkingsveiledning 1 HASP feilsøkingsveiledning Corporate office: Trimble Geospatial Division 10368 Westmoor Drive Westminster, CO 80021 USA www.trimble.com Copyright and trademarks: 2005-2013, Trimble Navigation Limited.

Detaljer

Regler og informasjon til foresatte om bruk av datautstyr for 1.-3. trinn

Regler og informasjon til foresatte om bruk av datautstyr for 1.-3. trinn Regler og informasjon til foresatte om bruk av datautstyr for 1.-3. trinn Med hjemmel i IKT-reglement for grunnskolene i Notodden kommune. I følge Kunnskapsløftet er det et mål at elevene etter 2. trinn

Detaljer

Vi prioriterer næringslivet, bekjempelse av svart økonomi og sikker ID-forvaltning

Vi prioriterer næringslivet, bekjempelse av svart økonomi og sikker ID-forvaltning Vi prioriterer næringslivet, bekjempelse av svart økonomi og sikker ID-forvaltning Næringslivet opplever likere konkurransevilkår og betydelig redusert byrde Gjennom et slagkraftig samarbeid legger vi

Detaljer

SAS I TNS GALLUP. Fra spesialistverktøy til standard rapporteringsog analyseverktøy. Copyright 2010 SAS Institute Inc. All rights reserved.

SAS I TNS GALLUP. Fra spesialistverktøy til standard rapporteringsog analyseverktøy. Copyright 2010 SAS Institute Inc. All rights reserved. SAS I TNS GALLUP Fra spesialistverktøy til standard rapporteringsog analyseverktøy Copyright 2010 SAS Institute Inc. All rights reserved. TNS Gallup TNS Gallup er Norges største analyseinstitutt. TNS Gallup

Detaljer

KJERNEGRUPPENS FAGLIGE PLATTFORM MER ENN ET SPØRSM HVILKEN TEORI MAN LIKER! Psykolog Gunnar Oland Åsen 2009 02.09.2009 1

KJERNEGRUPPENS FAGLIGE PLATTFORM MER ENN ET SPØRSM HVILKEN TEORI MAN LIKER! Psykolog Gunnar Oland Åsen 2009 02.09.2009 1 KJERNEGRUPPENS FAGLIGE PLATTFORM MER ENN ET SPØRSM RSMÅL L OM HVILKEN TEORI MAN LIKER! Psykolog Gunnar Oland Åsen 2009 02.09.2009 1 Dagens motto: Emancipate yourselves from mental slavery, no one but yourselves

Detaljer

Nasjonal fagkonferanse i offentlig revisjon. Risikoanalyse og bruk av mal som støtteverktøy

Nasjonal fagkonferanse i offentlig revisjon. Risikoanalyse og bruk av mal som støtteverktøy Nasjonal fagkonferanse i offentlig revisjon Risikoanalyse og bruk av mal som støtteverktøy Transaksjonsanalyser ved forebygging og avdekking av misligheter Maria Puhr, 26. oktober 2010 Risikoanalyse og

Detaljer

Utvikling av scenariometodikk: teknologistøttet problembasert læring i studiet Arktisk naturbruk og landbruk

Utvikling av scenariometodikk: teknologistøttet problembasert læring i studiet Arktisk naturbruk og landbruk Utvikling av scenariometodikk: teknologistøttet problembasert læring i studiet Arktisk naturbruk og landbruk Rådgiver Tina Dahl, ANL studiet, Universitetet i Tromsø Prosjektseminar ved Norgesuniversitetet,

Detaljer

Innholdsfortegnelse Side

Innholdsfortegnelse Side Trygg På Nett Forsikringsvilkår av 01.04.2016 Innholdsfortegnelse Side 1. Trygg På Nett 3 1.2 Definisjoner 3 1.3 Hvem forsikringen gjelder for 3 2. Forsikringsdekningen Identitetstyveri 3 2.1 Hvor og når

Detaljer

BETALINGSFORMIDLINGSKONFERANSE 2014 TRUSLER OG SIKKERHETSUTFORDRINGER FOR FINANSNÆRINGEN

BETALINGSFORMIDLINGSKONFERANSE 2014 TRUSLER OG SIKKERHETSUTFORDRINGER FOR FINANSNÆRINGEN BETALINGSFORMIDLINGSKONFERANSE 2014 TRUSLER OG SIKKERHETSUTFORDRINGER FOR FINANSNÆRINGEN INNLEDNING Finans Norge utvikler årlig rapport om trusler og sikkerhetsutfordringer som finansnæringen står overfor.

Detaljer

Ulke typer ad fraud Laundered impressions Ad stabling Cookie stuffing

Ulke typer ad fraud Laundered impressions Ad stabling Cookie stuffing Ad Fraud Historie Det er over 20 år siden den første bannerannonsen ble publisert, og mye har skjedd siden den gang. Veksten i bruk av internett har vokst enormt verden over, hvorpå man nå teller over

Detaljer

Great European Bank. Mona Skarpnord Head of Deposit and Loan Products Norway

Great European Bank. Mona Skarpnord Head of Deposit and Loan Products Norway Great European Bank Mona Skarpnord Head of Deposit and Loan Products Norway Agenda Nordea en «Great Digital European Bank» Nordea sin målsetning for digitalisering e-signatur og statistikk/oppfølging Veien

Detaljer

En metodologisk studie av ulykkesgransking med Driving Reliability and Error Analysis Method (DREAM)

En metodologisk studie av ulykkesgransking med Driving Reliability and Error Analysis Method (DREAM) Sammendrag: TØI-rapport 912/2007 Forfatter: Fridulv Sagberg Oslo 2007, 50 sider En metodologisk studie av ulykkesgransking med Driving Reliability and Error Analysis Method (DREAM) Denne undersøkelsen

Detaljer

ITS, IoT, Big Data og personvern

ITS, IoT, Big Data og personvern ITS, IoT, Big Data og personvern 2015-12-03, ITS-Forum 2015 Lars F. Giske og Kirill Miazine ITS, IoT, Big Data og personvern 2 Juss-nytt om ITS Lov om intelligente transportsystemer innenfor vegtransport

Detaljer

Høring av forslag til lov om rapportering til database for vitenskapelig publisering

Høring av forslag til lov om rapportering til database for vitenskapelig publisering Høring av forslag til lov om rapportering til database for vitenskapelig publisering 1. Current Research Information System in Norway og Norsk vitenskapsindeks Kunnskapsdepartementet har i samråd med Helse-

Detaljer

Lederskap for å skape relevans for framtiden 1

Lederskap for å skape relevans for framtiden 1 REGIONAL LEDERSAMLING - Salten «Helsefag for fremtiden Blodsukker.jpg Prognosene viser at det i 2030 vil være 40 000 jobber innen helse. Helsefag ved Bodø videregående er sitt ansvar bevisst. Derfor ble

Detaljer

BAAN IVc. BAAN Data Navigator - Brukerhåndbok

BAAN IVc. BAAN Data Navigator - Brukerhåndbok BAAN IVc BAAN Data Navigator - Brukerhåndbok Utgitt av: Baan Development B.V. P.O.Box 143 3770 AC Barneveld The Netherlands Trykt i Nederland Baan Development B.V. 1997. Med enerett. Informasjonen i dette

Detaljer

Hva karakteriserer god arkitekturpraksis og hvorfor ble valgt arkitekturmetode benyttet?

Hva karakteriserer god arkitekturpraksis og hvorfor ble valgt arkitekturmetode benyttet? Hva karakteriserer god arkitekturpraksis og hvorfor ble valgt arkitekturmetode benyttet? HelsIT 2011 Roar Engen Leder for arkitekturseksjonen,teknologi og ehelse, Helse Sør-Øst RHF Medforfatter: Jarle

Detaljer

Innholdsfortegnelse. Undersøkelsen og rapporten er gjennomført av Mette Tonstad og Lars Rinnan i NextBridge.

Innholdsfortegnelse. Undersøkelsen og rapporten er gjennomført av Mette Tonstad og Lars Rinnan i NextBridge. 1 21. juni 2013 2 Innholdsfortegnelse Executive Summary... 3 1.0 Introduksjon... 4 2.0 Beskrivelse av undersøkelsen... 4 3.0 Mulige svakheter ved undersøkelsen... 6 4.0 Beskrivelse av modenhetsmodellen...

Detaljer

Gullbelagte kundemagasiner!

Gullbelagte kundemagasiner! Gullbelagte kundemagasiner! I et av de mest kompetitive markedene i Europa, kan analysebyrået MillwardBrown dokumentere at mottakere av kundemagasiner har en høyere merkepreferanse og handler mer av de

Detaljer

Kontekstualisering av unges spill og spilleproblemer

Kontekstualisering av unges spill og spilleproblemer Kontekstualisering av unges spill og spilleproblemer anita.borch@sifo.no Plan - Prosjektets mål, bakgrunn, metode m.m. - Plassering i internasjonalt forskningsfelt - Tematisk - Metodisk - Status - Datainnsamling

Detaljer

Personvern hos Klarna AB

Personvern hos Klarna AB Personvern hos Klarna AB Klarna AB ("Klarna"), org.nr 556737-0431, behandler personopplysninger med største omsorg. Behandling av personopplysninger gjøres innenfor rammen av tilbudet og utførelsen av

Detaljer

Info207 Obligatorisk innlevering 3

Info207 Obligatorisk innlevering 3 Info207 Obligatorisk innlevering 3 Dette er tredje obligatoriske innlevering i info207. Innlevering 25 Oktober. På denne obligen kan man samarbeide 2 stykker, og det må være skrevet hvem som samarbeider

Detaljer

I dag UML. Domenemodell visualisering av konsepter. Eksempel. Hvordan finne domeneklasser?

I dag UML. Domenemodell visualisering av konsepter. Eksempel. Hvordan finne domeneklasser? UML Use case drevet analyse og design 31.01.2005 Kirsten Ribu I dag Domenemodell (forløper til klassediagram) Interaksjonsdiagrammer Sekvensdiagram Kollaborasjonsdiagram 1 2 Domenemodell visualisering

Detaljer

4.1. Kravspesifikasjon

4.1. Kravspesifikasjon 4.1. Kravspesifikasjon Dette delkapittelet beskriver nærgående alle deler av systemet, hvordan det er tenkt ferdigutviklet med fokus på oppdragsgivers ønsker. 4.1.1. Innledning Informasjon om hvordan kravspesifikasjonens

Detaljer

INF130 Databehandling og analyse

INF130 Databehandling og analyse 28.01.15 INF130 Databehandling og analyse Introduksjon Knut Kvaal 28.01.15 1.1 Administrasjon Gruppearbeid og øvinger Du skal registere deg for gruppe etc https://docs.google.com/spreadsheets/d/1n4vqedksrkflh6273wk5zqd852me_mtshunh6dfzzma/edit?usp=sharing

Detaljer

Samle inn eller samhandle om statistiske data?

Samle inn eller samhandle om statistiske data? 1 Samle inn eller samhandle om statistiske data? Statistisk sentralbyrå En institusjon som teller Fakta om SSB 932 ansatte per 30.06.2013 573 Oslo 359 Kongsvinger I tillegg Ca. 170 intervjuere (70 årsverk)

Detaljer

Fintech fra et bankperspektiv

Fintech fra et bankperspektiv Fintech fra et bankperspektiv Christoffer O. Hernæs Meninger og synspunkter i denne presentasjonen er personlige observasjoner og konklusjoner fra forfatteren Finansbransjen er i endring og innovasjonen

Detaljer

Disse retningslinjene for personvern beskriver hvordan vi bruker og beskytter informasjon som du oppgir i forbindelse med bruk av nettstedet vårt.

Disse retningslinjene for personvern beskriver hvordan vi bruker og beskytter informasjon som du oppgir i forbindelse med bruk av nettstedet vårt. RETNINGSLINJER FOR PERSONVERN Disse retningslinjene for personvern beskriver hvordan vi bruker og beskytter informasjon som du oppgir i forbindelse med bruk av nettstedet vårt. Vi er forpliktet til å sikre

Detaljer

SmartStruxure. Enkelt. Smart. Høy ytelse. Integrerte systemer for bygningsautomasjon. Make the most of your energy SM

SmartStruxure. Enkelt. Smart. Høy ytelse. Integrerte systemer for bygningsautomasjon. Make the most of your energy SM SmartStruxure Enkelt. Smart. Høy ytelse. Integrerte systemer for bygningsautomasjon Make the most of your energy SM Enkelt. Smart. Høy ytelse. > Optimaliser energiforbruket, skap et sunt og produktivt

Detaljer

Detaljerte forklaringer av begreper og metoder.

Detaljerte forklaringer av begreper og metoder. Appendiks til Ingar Holme, Serena Tonstad. Risikofaktorer og dødelighet oppfølging av Oslo-undersøkelsen fra 1972-73. Tidsskr Nor Legeforen 2011; 131: 456 60. Dette appendikset er et tillegg til artikkelen

Detaljer

Fremtidsrettet og moderne varslings- og kommunikasjonsløsninger i omsorgsboliger.

Fremtidsrettet og moderne varslings- og kommunikasjonsløsninger i omsorgsboliger. Fremtidsrettet og moderne varslings- og kommunikasjonsløsninger i omsorgsboliger. Notat som grunnlag for dialogprosess med potensielle leverandører frem mot utarbeidelse av kravspesifikasjon. Målgruppe:

Detaljer

Målrettet identifisering av mulig ulovlig oppslag i journal. Heidi Thorstensen IT-sikkerhetssjef/Personvernombud

Målrettet identifisering av mulig ulovlig oppslag i journal. Heidi Thorstensen IT-sikkerhetssjef/Personvernombud Målrettet identifisering av mulig ulovlig oppslag i journal Heidi Thorstensen IT-sikkerhetssjef/Personvernombud Innhold Forutsetninger Utfordringer Tilnærming Erfaringer så langt Forutsetninger at logger

Detaljer

Samordning av IKT i spesialisthelsetjenesten Status ny felles IKT-strategi

Samordning av IKT i spesialisthelsetjenesten Status ny felles IKT-strategi Samordning av IKT i spesialisthelsetjenesten Status ny felles IKT-strategi v/administrerende direktør i Nasjonal IKT HF, Gisle Fauskanger IKT-forum 2015 for medisinsk nødmeldetjeneste GISLE FAUSKANGER

Detaljer

FAGSPESIFIKKE RETNINGSLINJER FOR KARAKTERSETTING VED INNFØRING AV ECTS KARAKTERSKALA VED SAMTLIGE LÆRESTEDER FOR HØYERE PSYKOLOGUTDANNING I NORGE

FAGSPESIFIKKE RETNINGSLINJER FOR KARAKTERSETTING VED INNFØRING AV ECTS KARAKTERSKALA VED SAMTLIGE LÆRESTEDER FOR HØYERE PSYKOLOGUTDANNING I NORGE FAGSPESIFIKKE RETNINGSLINJER FOR KARAKTERSETTING VED INNFØRING AV ECTS KARAKTERSKALA VED SAMTLIGE LÆRESTEDER FOR HØYERE PSYKOLOGUTDANNING I NORGE Skala og retningslinjer Karakterskalaen løper fra A til

Detaljer

Styret Helse Sør-Øst RHF 23. oktober 2014 SAK NR 065-2014 VEDLIKEHOLDSAVTALE MELLOM DIPS ASA OG HELSE SØR-ØST RHF

Styret Helse Sør-Øst RHF 23. oktober 2014 SAK NR 065-2014 VEDLIKEHOLDSAVTALE MELLOM DIPS ASA OG HELSE SØR-ØST RHF Saksframlegg Saksgang: Styre Møtedato Styret Helse Sør-Øst RHF 23. oktober 2014 SAK NR 065-2014 VEDLIKEHOLDSAVTALE MELLOM DIPS ASA OG HELSE SØR-ØST RHF Forslag til vedtak: Styret godkjenner fremforhandlet

Detaljer

Minnebasert mønstergjenkjenningssystem

Minnebasert mønstergjenkjenningssystem Minnebasert mønstergjenkjenningssystem Bruk av virkelig intelligente systemer Tradisjonell teknologi Regelstyrt Må vite på forhånd hva man skal se etter Må programmeres om når det skjer endringer Ingen

Detaljer

ID-tyveriprosjektet. Det må bli vanskeligere å bli kunde i Norge! Hva er gjort og bør gjøres for å redusere risiko og omfang?

ID-tyveriprosjektet. Det må bli vanskeligere å bli kunde i Norge! Hva er gjort og bør gjøres for å redusere risiko og omfang? ID-tyveriprosjektet Det må bli vanskeligere å bli kunde i Norge! Hva er gjort og bør gjøres for å redusere risiko og omfang? Christian Meyer Seniorrådgiver Norsk senter for informasjonssikring ID-tyveriprosjektets

Detaljer

Anke Ehlers og David M. Clarks modell for behandling av PTSD

Anke Ehlers og David M. Clarks modell for behandling av PTSD Anke Ehlers og David M. Clarks modell for behandling av PTSD En grunnmodell for kognitiv terapi for PTSD? Håkon Stenmark Ressurssenter om vold, traumatisk stress og selvmordsforebygging, Region Midt Kognitiv

Detaljer

Cisco Small Business Veiledning for finansiering og kjøp av IT

Cisco Small Business Veiledning for finansiering og kjøp av IT Cisco Small Business Veiledning for finansiering og kjøp av IT Finanskrisen rammer økonomien fortsatt. Men det trenger ikke å sette en stopper for alle forretningsinvesteringer. Når økonomien er trang,

Detaljer

Folkets og pressens dom over regjeringen: En analyse av nettdiskusjoner og nyheter i kjølvannet av 22. juli-kommisjonens rapport

Folkets og pressens dom over regjeringen: En analyse av nettdiskusjoner og nyheter i kjølvannet av 22. juli-kommisjonens rapport Folkets og pressens dom over regjeringen: En analyse av nettdiskusjoner og nyheter i kjølvannet av 22. juli-kommisjonens rapport Dag Petter Svendsen 02.10.2012 www.emind.no Folkets og pressens dom over

Detaljer

Grunnleggende om Evaluering av It-systemer

Grunnleggende om Evaluering av It-systemer Grunnleggende om Evaluering av It-systemer Hva er å evaluere? Foreta en vurdering av systemet og avklare nytten det har for brukerne. En systematisk innsamling av data som gir informasjon om nytteverdien

Detaljer

Psykisk helse og rusteam/recovery

Psykisk helse og rusteam/recovery Psykisk helse og rusteam/recovery En forskningsbasert evaluering om recovery Nils Sørnes Fagkonsulent PSYKISK HELSE OG RUSTEAM -Startet i 2001 Ca 34 brukere 5,6 årsverk, todelt turnus inkl. helg, alle

Detaljer

Kartlegging av innovasjonstyper

Kartlegging av innovasjonstyper Kartlegging av innovasjonstyper Referanse til kapittel 12 Analysen er utviklet på basis av Keeleys beskrivelse av 10 typer innovasjoner (Keeley, L. 2013. Ten Types of Innovation. New Jersey: John Wiley

Detaljer

Kronikken i ComputerWorld, 19. nov. 2010:

Kronikken i ComputerWorld, 19. nov. 2010: Kronikken i ComputerWorld, 19. nov. 2010: Informatikkforskning grunnleggende for moderne samfunnsutvikling De fleste mennesker kan ikke tenke seg en tilværelse uten mobiltelefon, pc og tilgang til internett.

Detaljer

Kongsberg Your Extreme. Fra Disney princesses

Kongsberg Your Extreme. Fra Disney princesses Kongsberg Your Extreme Fra Disney princesses Ved å automatisere innhenting og masseutsendelse av informasjon i en nødsituasjon kan en befolkning effektivt informeres med personlig tilpasset varsling og

Detaljer

Mer på Sosiale medier

Mer på Sosiale medier Mer på Sosiale medier Suksessformel for Nett X * Cr = suksess X = klikk Cr = Conversion rate Suksessen for din nettsatsning bestemmes av forholdet mellom antall mennesker som klikker seg inn på nettsiden

Detaljer

Team BEST I BLEST. «A reaching band»

Team BEST I BLEST. «A reaching band» Team BEST I BLEST «A reaching band» Vi vil hjelpe redningsarbeidet, optimalisere evakuering og minimere kaos ved å gi oversikt med et spesialarmbånd som har posisjoneringsteknologi og pulsmåler. Medlemmenes

Detaljer

Videoovervåkning og automatisk analyse verdisikring ved hjelp av nye teknologier?

Videoovervåkning og automatisk analyse verdisikring ved hjelp av nye teknologier? Videoovervåkning og automatisk analyse verdisikring ved hjelp av nye teknologier? Kan metoder og teknologi fra generell overvåking brukes i oppdrettsnæringen? Tom Kavli SINTEF 1 Kameraer ser ut til å være

Detaljer

Intelligente transportsystemer (ITS) www.trafsys.no

Intelligente transportsystemer (ITS) www.trafsys.no Intelligente transportsystemer (ITS) Firmapresentasjon Introduksjon til TRAFSYS The manufacturer reserves the right to change designs or specifications without obligation and without further notice. TRAFSYS,

Detaljer

F-Secure Mobile Security for Windows Mobile

F-Secure Mobile Security for Windows Mobile F-Secure Mobile Security for Windows Mobile 1. Installasjon og aktivering Tidligere versjon Installasjon Aktivering Starte produktet Hvis du har en tidligere versjon av F-Secure Mobile Security installert,

Detaljer

Blir du lurt? Unngå anbudssamarbeid ved anskaffelser

Blir du lurt? Unngå anbudssamarbeid ved anskaffelser BOKMÅL Blir du lurt? Unngå anbudssamarbeid ved anskaffelser Anbudssamarbeid er blant de alvorligste former for økonomisk kriminalitet. Anbuds samarbeid innebærer at konkurrenter samarbeider om priser og

Detaljer

Sviktende tilgangsstyring i elektroniske pasientjournaler? Ragnhild Castberg, seniorådgiver Norsk Arkivråds arkivseminar,18.

Sviktende tilgangsstyring i elektroniske pasientjournaler? Ragnhild Castberg, seniorådgiver Norsk Arkivråds arkivseminar,18. Sviktende tilgangsstyring i elektroniske pasientjournaler? Ragnhild Castberg, seniorådgiver Norsk Arkivråds arkivseminar,18.september 2012 Om Datatilsynet Et forvaltningsorgan med stor grad av faglig uavhengighet

Detaljer

DOKUMENTASJONSFORVALTNING GEVINSTENE AV RECORDS MANAGEMENT PÅ NORSK. Kristine Synnøve Brorson 23.04.2015

DOKUMENTASJONSFORVALTNING GEVINSTENE AV RECORDS MANAGEMENT PÅ NORSK. Kristine Synnøve Brorson 23.04.2015 DOKUMENTASJONSFORVALTNING GEVINSTENE AV RECORDS MANAGEMENT PÅ NORSK Kristine Synnøve Brorson 23.04.2015 HVEM ER JEG? KRISTINE SYNNØVE BRORSON Manager for Information Management i Sopra Steria Utnevnt fagekspert

Detaljer

Kundesenteret i Norsk Helsenett - 02017 -

Kundesenteret i Norsk Helsenett - 02017 - Kundesenteret i Norsk Helsenett - 02017 - Tema for økten: Korte fakta om kundesenteret Organisering Våre oppgaver Arbeidsmetode/ITIL Utfordringer Fremover Åpningstider Kontaktinformasjon Korte fakta om

Detaljer

Styret Helse Sør-Øst RHF 18. desember 2014

Styret Helse Sør-Øst RHF 18. desember 2014 Saksframlegg Saksgang: Styre Møtedato Styret Helse Sør-Øst RHF 18. desember 2014 SAK NR 094-2014 ANTIKORRUPSJONSPROGRAM I HELSE SØR-ØST Forslag til vedtak: 1. Styret vedtar vedlagte antikorrupsjonsprogram

Detaljer

F-Secure Mobile Security for S60

F-Secure Mobile Security for S60 F-Secure Mobile Security for S60 1. Installasjon og aktivering Tidligere versjon Installasjon Du trenger ikke å avinstallere den tidligere versjonen av F-Secure Mobile Anti-Virus. Kontroller innstillingene

Detaljer

TAC EnergyEdge. Vi finner besparelsene. Du får gevinsten.

TAC EnergyEdge. Vi finner besparelsene. Du får gevinsten. TAC EnergyEdge Vi finner besparelsene. Du får gevinsten. Vi realiserer lønnsomme energibesparelser og gir din bedrift gevinsten Energiprisene stiger. Driftsbudsjettene man har til rådighet blir stadig

Detaljer

1. Dette sitter du igjen med etter et komplett program hos Talk

1. Dette sitter du igjen med etter et komplett program hos Talk 1. Dette sitter du igjen med etter et komplett program hos Talk Etterpå Ferdighetene du kom for å lære En metode for å målstyre all kommunikasjon Kjennskap til de fem faktorene som bør være på plass for

Detaljer

VENNLIGST LES DISSE VILKÅRENE OG BETINGELSENE NØYE FØR DU BRUKER DETTE NETTSTEDET.

VENNLIGST LES DISSE VILKÅRENE OG BETINGELSENE NØYE FØR DU BRUKER DETTE NETTSTEDET. VENNLIGST LES DISSE VILKÅRENE OG BETINGELSENE NØYE FØR DU BRUKER DETTE NETTSTEDET. VILKÅR FOR BRUK AV NETTSTED Disse vilkårene for bruk (sammen med dokumentene som er referert til her) forteller deg betingelsene

Detaljer

ME Mestringskurs Vikersund Kurbad AS

ME Mestringskurs Vikersund Kurbad AS ME Mestringskurs Vikersund Kurbad AS Mestringskurs bygger på helsepedagogiske og kognitive tilnærminger som tar sikte på at deltagerne skal lære strategier som mobiliserer egne ressurser. Mestringskurs

Detaljer

FORSIKRINGSSVINDEL OG PERSONVERN - HVOR GÅR GRENSEN? Frode Bjeglerud, fagdirektør

FORSIKRINGSSVINDEL OG PERSONVERN - HVOR GÅR GRENSEN? Frode Bjeglerud, fagdirektør FORSIKRINGSSVINDEL OG PERSONVERN - HVOR GÅR GRENSEN? Frode Bjeglerud, fagdirektør Oslo, 27.november hvor går grensen? Utredningsvirksomhet er en naturlig og nødvendig del av forsikringsvirksomheten, og

Detaljer

En bedre måte å håndtere prosjekt, team, oppgaver og innhold

En bedre måte å håndtere prosjekt, team, oppgaver og innhold En bedre måte å håndtere prosjekt, team, oppgaver og innhold Bedre prosjekthå ndtering med metådåtå M-Files går langt utover bare enkel dokumenthåndtering. Den unike arkitekturen drevet av metadata lar

Detaljer

DIGITALISERING I UH-SEKTOREN. DigiEx, Handelshøyskolen BI. Prosjekt 2014, 13. November, 2014

DIGITALISERING I UH-SEKTOREN. DigiEx, Handelshøyskolen BI. Prosjekt 2014, 13. November, 2014 DIGITALISERING I UH-SEKTOREN DigiEx, Handelshøyskolen BI Prosjekt 2014, 13. November, 2014 Kontaktinformasjon Insert contact picture Karin Brennholm Prosjektleder digital eksamen karin.b.brennholm@uit.no

Detaljer

Nyheter i Office 2016 NYHETER, FUNKSJONER, FORKLARING

Nyheter i Office 2016 NYHETER, FUNKSJONER, FORKLARING Nyheter i Office 2016 NYHETER, FUNKSJONER, FORKLARING 1 Word 1.1 Gjør ting raskt med Fortell meg det Du vil legge merke til en tekstboks på båndet i Word 2016 med teksten Fortell meg hva du vil gjøre.

Detaljer

NORGE. Patentstyret (12) SØKNAD (19) NO (21) 20101728 (13) A1. (51) Int Cl. G06Q 20/00 (2006.01)

NORGE. Patentstyret (12) SØKNAD (19) NO (21) 20101728 (13) A1. (51) Int Cl. G06Q 20/00 (2006.01) (12) SØKNAD (19) NO (21) 1728 (13) A1 NORGE (1) Int Cl. G06Q /00 (06.01) Patentstyret (21) Søknadsnr 1728 (86) Int.inng.dag og søknadsnr (22) Inng.dag.12. (8) Videreføringsdag (24) Løpedag.12. () Prioritet.03.04,

Detaljer