Marktpotenziale mit Advanced Analytics erkennen

Marktpotenziale mit Advanced Analytics erkennenVergangenheitsorientierte Standardberichte sind out. Mit Advanced Analytics richten Unternehmen den Blick in die Zukunft, um Marktpotenziale zu identifizie-ren. Verkehrssprache für statistische Datenanalysen ist die Statistik-Software R, die sich flexibel in BI-Technologien integrieren lässt.

Sascha Koch

36 Controlling & Management Review Sonderheft 1 | 2014

IT im Controlling | Statistik

Fortgeschrittene Datenanalysen (Advanced Analytics) werden derzeit be-reits von ca. 20 % der Unternehmen eingesetzt. Da Top Performer jedoch Advanced Analytics überdurchschnittlich nutzen, planen viele Unterneh-men den Einsatz von Advanced Analytics. Dabei ist das Controlling bereits heute neben Marketing und Vertrieb der Haupteinsatzbereich von Advan-ced Analytics. Treiber für die zunehmende Bedeutung von Advanced Ana-lytics sind eine steigende Wettbewerbsintensität und eine steigende Daten-flut (vgl. Seufert 2012). Unternehmen erkennen zunehmend, dass sie mit vergangenheitsorientierten Standardberichten keine Wettbewerbsvorteile durch Business Intelligence (BI) erzielen können.

Dies lässt sich an einem Beispiel aus dem stark umkämpften Gesundheits-sektor verdeutlichen. Aufgrund des demografischen Wandels und eines stei-genden Gesundheitsbewusstseins der Bevölkerung wird der Bedarf an Ge-sundheitsleistungen in Deutschland zukünftig weiter zunehmen (vgl. Nol-ting et al. 2009). Allerdings wird es dabei große regionale Unterschiede geben. Während die Bevölkerung in einigen Regionen stark altert, ist dies in anderen Regionen aufgrund von Geburten und Migration nicht der Fall.

Ein Leistungserbringer im Gesundheitssektor wie z. B. ein Krankenhaus sollte sich demnach für die Ausrichtung seiner Geschäftstätigkeit auf eine Analyse des eigenen Einzugsgebietes stützen, die demografische Effekte ein-bezieht. Für ein Krankenhaus bedeutet dies, dass es sich beispielsweise fol-gende konkrete Fragen für sein zukünftiges Marktpotenzial stellen sollte (vgl. Lüthy/Buchmann 2009):•Welche medizinischen Leistungen möchte das Krankenhaus zukünftig

anbieten?•Gibt es weitere Geschäftsfelder, auf denen das Krankenhaus zukünftig

aktiv sein kann? Ist es z. B. sinnvoll, ein medizinisches Versorgungszentrum zu errichten, um ambulante und stationäre Versorgung zu verzahnen?

•Lohnt sich der Markteintritt in ein neues medizinisches Fachgebiet, bei-spielsweise in Geriatrie?

Advanced Analytics mit RFür diese Fragen, die in ähnlicher Form auch in anderen Branchen formuliert werden können, bedarf es Advanced Analytics. R ist eine Analyse-Software, die sich durch einen großen Umfang an statistischen Methoden und viele Möglich-keiten zur Visualisierung von Analyseergebnissen auszeichnet (vgl. R Founda-tion 2013). Im Wesentlichen handelt es sich bei R um eine freie Programmier-sprache, die auf statistisches Rechnen und Visualisieren spezialisiert ist. Ihr Stan-dard-Funktionsumfang lässt sich flexibel um statistische Funktionen erweitern.

Dr. Sascha Kochist Geschäftsführer der Info Analytics AG und Dozent der FOM Hochschule, Olden-burg, E-Mail: [email protected]

„Das Controlling ist heute neben Marketing und Vertrieb der Haupteinsatzbereich von Advanced Analytics.“

37Controlling & Management Review Sonderheft 1 | 2014


Entstanden ist R Anfang der 1990er Jahre an der Universi-tät Auckland. Mittlerweile wird R von der in Wien ansässigen Non-Profit-Organisation R Foundation for Statistical Com-puting unter einer Open-Source-Lizenz bereitgestellt. Das Kernteam der federführenden R Foundation besteht aktuell aus ca. 20 Entwicklern, sodass die kontinuierliche Weiterent-wicklung und Pflege von R gesichert sind (vgl. Fox 2009 und R Foundation 2013).

Für Unternehmen bietet der Einsatz von R verschiedene Vorteile.•Nutzen: R verfügt mit ihren über 4.000 Erweiterungspake-

ten über einen enormen Funktionsumfang und ist auf ver-schiedenen Plattformen einsetzbar. Da R in ein wissen-schaftliches Umfeld eingebettet ist, entsprechen die verfüg-baren statistischen Verfahren jederzeit dem aktuellen Stand der Wissenschaft.

•Kosten: Es entstehen keine Lizenzkosten, da R unter der Open-Source-Lizenz GNU GPL verfügbar ist.

•Zukunftssicherheit: R wird von einer großen Anzahl von Entwicklern unterstützt. Es ist daher zu erwarten, dass R sich weiter positiv entwickelt und die führende Stellung behauptet. Aufgrund der großen Bedeutung im akade-mischen Umfeld werden zudem kontinuierlich „R-Exper-ten“ ausgebildet.

Unternehmen können zwischen zwei grundsätzlichen Alter-nativen wählen, um R in ihre IT-Strategie einzubinden:•Eigenentwicklung basierend auf R oder•Nutzung von BI-Technologien, die R technisch auf Daten-,

Analyse- oder Darstellungsebene integriert haben.

Eigenentwicklung auf Basis von RDer einfachste Ansatz für den Einsatz von R sind Eigenent-wicklungen. Dabei besteht die Möglichkeit, sich komplett auf R zu beschränken, indem die Kommandozeilenumgebung von R oder eine der verschiedenen grafischen Benutzungsober-flächen wie z. B. R Commander oder RStudio genutzt wird.

Die Vorteile dieses Ansatzes liegen auf der Hand: Es sind kei-ne weiteren Technologien erforderlich und somit fallen keine Lizenzkosten an. Allerdings kommt dieser Ansatz nur für ei-nen eingeschränkten Nutzerkreis infrage, da R-Spezial-Know-how sowohl bei der Entwicklung als auch bei der sachgerech-ten Anwendung dieser Auswertungslösungen erforderlich ist.

Um diesen Nachteil auszugleichen, sind Dienstleister dazu übergegangen, für Unternehmen spezialisierte und individu-ell gestaltete Benutzungsoberflächen zu entwickeln. Diese Be-nutzungsoberflächen werden so gestaltet, dass die Auswer-tungslösungen auch ohne spezielles R-Wissen genutzt und pa-rametrisiert werden können.

Grundlage für die Entwicklung solcher individuellen Aus-wertungslösungen auf Basis von R sind Basistechnologien, die es ermöglichen, R aus einer Programmiersprache heraus an-zusteuern. Es handelt sich hierbei beispielsweise um Revolu-tion DeployR, statconnDCOM oder rJava. Über derartige Programmierschnittstellen können R-Befehle aus der Eigen-entwicklung heraus aufgerufen werden sowie Berechnungs-ergebnisse aus R abgefragt und in der individuell realisierten Benutzungsoberfläche dargestellt werden.

Auf diese Weise lassen sich für Unternehmen spezialisier-te, auf eine Aufgabe zugeschnittene Auswertungslösungen re-alisieren. Allerdings fallen dabei Entwicklungskosten sowie bei den meisten Programmierschnittstellen Lizenzkosten an. Zudem ist die entwickelte Speziallösung nicht für andere Ana-lysefragestellungen wiederverwendbar.

Technische Integration von R mit BI-TechnologienUnternehmen haben aufgrund der zunehmenden Nutzung von R und der Nachteile von Eigenentwicklungen den Bedarf, R möglichst nahtlos in ihre Unternehmens-IT zu integrieren. Insbesondere große Organisationen haben bereits BI-Tech-nologien für Reporting und Datenanalysen im Einsatz. Dem-zufolge binden verschiedene BI-Anbieter R bereits an ihre Plattformen an. Die Integration kann dabei auf Datenebene, Auswertungsebene oder auf Darstellungsebene erfolgen.

Bei der Integration auf Datenebene wird die R-Funktiona-lität eng mit der Datenbanktechnologie verzahnt, z. B. in Oracle R Enterprise, SAP RHANA oder teradataR. Dadurch

Zusammenfassung•Um BI-Landschaften in Unternehmen strategisch aus-zurichten und eine Differenzierung von Wettbewerbern zu ermöglichen, werden Standardberichte zugunsten von Ad-hoc-Analysen und Advanced Analytics abgelöst. •Die Software und Programmiersprache R hat sich zur „Lingua franca“ der statistischen Datenanalyse entwi-ckelt und wird zunehmend in BI-Umgebungen von Unternehmen eingebettet. •Eine Integration der im Controlling verbreiteten OLAP-Technologien mit R hat den Vorteil, dass die Flexibilität von OLAP-Technologien mit der Berech-nungsmächtigkeit von R kombiniert wird.



können R-Berechnungen direkt auf den gespeicherten Daten ausgeführt werden, anstatt diese für Berechnungen an R zu übertragen. Dieser Integrationsansatz ist besonders geeignet für große Datenmengen und Analysen mit hohen Perfor-mance-Anforderungen. Allerdings ist dezidiertes Know-how der Datenbanktechnologie erforderlich, um Analysen auf Basis von R bereitstellen zu können.

Die Integration auf Auswertungsebene wird von alternativen Data-Mining- und Statistik-Software-Anbietern verfolgt, bei-spielsweise von IBM SPSS, Matlab oder SAS. Diese Anbieter erweitern ihren statistischen Funktionsumfang, indem sie R inklusive der Erweiterungspakete anbinden. Dieser Ansatz hat für Anwenderunternehmen den Vorteil, dass bereits im Einsatz

befindliche Auswertungs-Software weiter genutzt werden kann, ohne auf die Möglichkeiten von R verzichten zu müssen. Aller-dings gibt es Überschneidungen im Funk tionsumfang von R und denen der alternativen Anbieter. Bei Neuanschaffungen sollte demnach geprüft werden, ob die kostenpflichtigen Pro-dukte einen hinreichenden Mehrwert über R hinaus bieten.

Die Integration auf Darstellungsebene verfolgt das Ziel, mit R erzeugte Berechnungsergebnisse und Visualisierungen in Be-richte und Dashboards zu übernehmen, z. B. über Jaspersoft oder RExcel. Dadurch können von Analyse-Experten mit R entwickelte Verfahren in bestehende Berichtsstrukturen einge-bettet werden. Dieser Ansatz stellt jedoch nicht sicher, dass sich die auf R basierenden Berechnungen auf die unternehmenswei-te Datenorganisation (Data Warehouse) stützen. Dies sollte aber ein Ziel bei der Einbettung von R in BI-Technologien sein.

Konzeptionelle Integration von R und OLAPOnline Analytical Processing (OLAP) ist eine spezielle BI-Technologie, die Fachanwendern einen schnellen, interak-tiven und flexiblen Zugriff auf konsistente Informationen bie-tet (vgl. Gluchowski/Chamoni 2010). Sie ermöglicht die in-teraktive Exploration aggregierter, multidimensionaler Da-tenräume (Cubes), die von einzelnen Individuen, Fällen oder Transaktionen abstrahieren. Bei Auswertungen variiert der Anwender mittels OLAP-Operatoren den Detaillierungsgrad

der Daten und den Blickwinkel auf die Daten. OLAP-Tech-nologien spiegeln somit die Sichtweise von Entscheidern und Analysten in Dimensionen und Klassifikationshierarchien wider. Abbildung 1 zeigt ein Beispiel für einen multidimen-sionalen Datenraum mit tagesaktuellen Umsatzzahlen auf Postleitzahlebene, inklusive Klassifikationshierarchien zur Variation des Detaillierungsgrades.

OLAP-Technologien bieten somit flexible Analysemöglich-keiten und werden daher insbesondere im Controlling einge-setzt (vgl. Seufert 2012). Typische Fragestellungen, die mit OLAP-Technologien analysiert werden können, sind bei-spielsweise:•Mit welchen Kunden macht das Unternehmen derzeit

besonders viel Umsatz?•Wie verteilen sich die Kosten nach Produkttypen?•Wie verteilt sich der Gewinn im letzten Geschäftsjahr auf

die Länder?Controller können jedoch kaum noch mit stabilen Konjunk-turzyklen rechnen. Gefragt sind daher Frühwarnsysteme und Prognosemethoden, aus denen Maßnahmen und Strategien abgeleitet werden können. Unternehmen, die bereits Advan-ced Analytics einsetzen, nutzen bessere Marktinformationen und genaue Geschäftsprognosen in folgenden Bereichen (vgl. Kisker 2013):•proaktives Risikomanagement durch korrekte Vorhersage

des Verhaltens volatiler Märkte,•Verbesserung der Vertriebsergebnisse, z. B. durch erfolg-

reiche Cross- und Up-Selling-Angebote an die richtigen Kunden zur richtigen Zeit,

•Optimierung der Lieferergebnisse und Bestände durch Prognosen von Angebot und Nachfrage und

„Controller können kaum noch mit stabilen Konjunkturzyklen rechnen. Gefragt sind Frühwarnsysteme und Prognosemethoden.“

Kernthesen•Die Analyse-Software R bietet Unternehmen viele flexibel einsetzbare Funktionen zu geringen Kosten.•R sollte möglichst nahtlos in die Unternehmens-IT integriert werden, um Insellösungen zu vermeiden.•Die technische Integration von R mit BI-Technologi-en kann auf Daten-, Auswertungs- oder auf Darstel-lungsebene erfolgen.•OLAP-Technologien mit R zu verknüpfen, ermög-licht Controllern, volatile Märkte zukunftsorientiert zu analysieren.



•vorausschauende Personalplanung aufgrund des Wissens über sich verändernde Nachfragemuster.

Daraus leitet sich die Frage ab, wie Controller die Flexibilität von OLAP-Technologien im Rahmen von Advanced Ana-lytics mit R nutzbar machen können. Ein möglicher Ansatz ist, Ergebnisse statistischer Berechnungen mit R vorzuberech-

nen und beispielsweise im Rahmen von Datenladeprozessen die mit R ermittelten Berechnungsergebnisse in multidimen-sionalen OLAP-Datenräumen abzulegen (z. B. Jedox).

Eine noch größere Flexibilität bietet jedoch der Ansatz, OLAP-Technologien und R nicht bereits zum Zeitpunkt von Datenladeprozessen zu verknüpfen, sondern dynamisch auf Anfrage des Anwenders. Technisch kann dies auf Datenebe-ne oder auf Funktionsebene realisiert werden. Das grundle-gende Funktionsprinzip verdeutlicht das Beispiel in Abbil-

dung 2, das die eingangs formulierten Fragen im Kontext der Gesundheitsmarktanalyse aufgreift.

Ziel der dargestellten Analyse ist, das Marktpotenzial eines Leistungserbringers im Gesundheitsmarkt, z. B. eines Kran-kenhauses, in einzelnen Postleitzahlgebieten des Einzugsge-bietes und für bestimmte Diagnosen wie hier Verletzungen an Hüfte, Knie und Schulter zu ermitteln. Grundlage für die Berechnung ist eine Prognose der für die Postleitzahlgebiete und Diagnosen zu erwartenden Erkrankungsfälle, die mit der Anzahl an Behandlungsfällen des Leistungserbringers in Be-ziehung gesetzt werden können.

Für eine derartige Fallzahlprognose gibt es verschiedene statistische Ansätze (vgl. Säfken et al. 2012). Ein möglicher Ansatz ist, das zu erwartende Fallaufkommen aus alters- und geschlechtsspezifischen Bevölkerungsprognosen sowie der aktuellen Fallzahl pro Einwohner für einzelne Postleitzahl-gebiete und Diagnosen abzuleiten.

Bei einer konzeptionellen Integration von R mit OLAP-Technologien werden ausgehend von der Anfrage des An-wenders, in dem Beispiel nach dem Marktpotenzial, die zu den statistischen Berechnungsschritten abgelegten Meta- Informationen ausgewertet, um zur Laufzeit dynamisch den Berechnungspfad aufzubauen. Die multidimensionalen Datenstrukturen sind dabei flexibel vom Anwender konfi-gurierbar. Es gibt zudem die Möglichkeit, durch Ad-hoc-Gruppierungen neue Kategorien zu beschreiben, die im OLAP- Server nicht explizit vorliegen. Beispielsweise können

„Die größte Flexibilität wird Analysten geboten, wenn R in die im Controlling verbreiteten OLAP-Technologien inte-griert wird.“

Quelle: eigene Darstellung

Abb. 1 Dreidimensionales Beispiel eines multidimensionalen Datenraumes

12.000 €

Gesamt

2013

10/2013

11/2013

31.10.2013

…

2.11.2013

1.11.2013

…

26xxx

2612226121

27xxx

27211Die drei???

Asterix 35…

Bücher Gesamt

Gesamt

Umsatz in €…

Postleitzahl

Produkt

Zeit



abteilungsspezifisch einzelne Diagnosen zu Diagnosegrup-pen zusammengefasst werden und gemeinsam in den Be-rechnungspfad eingehen.

Für die Berechnung der Zwischenergebnisse sowie des Marktpotenzials wird jeweils auf R zugegriffen. Die Basis- Informationen – aktuelle Fall- und Bevölkerungszahlen so-wie Bevölkerungsprognosen – liegen auswertungsorientiert in einem OLAP-Server vor, der auf einem Data Warehouse basiert. Die Anfragen an den OLAP-Server werden abhängig von der Benutzeranfrage und den Berechnungsmetadaten dynamisch erzeugt.

Innovationsgehalt und NutzenInnovationsgehalt und Nutzen resultieren aus der intelligen-ten Verknüpfung von OLAP und der Statistik-Software R zur Anfragezeit. Dabei profitiert dieser Ansatz von den Vorteilen beider Technologien.•OLAP: In OLAP-Servern können Berechnungen auf mul-

tidimensionalen Datenräumen abgebildet werden. Jedoch

stehen nur wenige Funktionen zur Verfügung, der Funkti-onsumfang einer Statistik-Software fehlt.

•Statistik-Software R: Die Statistik-Software R ist auf Exper-ten zugeschnitten. Dies gilt insbesondere für die angebote-ne Sicht auf Daten, z. B. mittels Vektoren und Matrizen. Es besteht aber keine Möglichkeit, die umfangreiche statisti-sche Funktionalität in Form von Kennzahlen auf multidi-mensionalen Daten einfach zugänglich und flexibel navi-gierbar zu machen.

Die konzeptionelle Integration von R mit OLAP-Technologi-en bietet verschiedenste Anfragemöglichkeiten ähnlich einem OLAP-Server. Des Weiteren ermöglicht sie die dynamische Abbildung zwischen den Datenstrukturen des OLAP-Servers und der Statistik-Software sowie die Verknüpfung mit multi-dimensionalen Daten zur Anfragezeit. Dabei lassen sich be-liebige Statistik-Funktionen einbinden, deren Ergebnisse sich wieder auf multidimensionale Datenräume abbilden lassen.

Dass eine Vorberechnung und Speicherung der Ergebnisse komplexer Berechnungen nicht immer möglich ist, verdeut-

Quelle: eigene Darstellung

Abb. 2 Berechnungspfad zur Ermittlung des Marktpotenzials

Fallzahlen(Leistungserbringer)

Bevölkerungs-prognose

Bevölkerungszahlen

Fallzahlen (Diagnosestatistik)

Fälle pro Einwohner

Fallzahlprognose

Aggregation über Altersgruppen

Marktpotenzial

HüfteKnieSchulter

26121 … 26135 OL OL

R

Data Warehouse



licht folgendes Beispiel, das nochmals die Fragen zur Ermitt-lung des Marktpotenzials im Gesundheitswesen aufgreift. Da-nach ergeben sich bei Berechnung eines Erwartungswertes, die aufgrund der Bevölkerungsstruktur erwarteten Fallzah-len, für ca. 8.000 Postleitzahlbezirke in Deutschland, ca. 1.600 Diagnosen, zwei Geschlechter für ein Jahr bereits 25.600.000 mögliche Ergebnisse. Postleitzahlbezirke oder Diagnosen können zudem jeweils beliebig zu Ad-hoc-Gruppierungen zu-sammengefasst und für Berechnungen genutzt werden, z. B. um Einzugsgebiete oder Diagnosespektren von Krankenhaus-abteilungen abzubilden. Dies bedeutet allein für Postleitzahl-bezirke nicht 8.000 Möglichkeiten, sondern

8.000!Σk∈{1, …, 8.000} k!·(8.000 – k)!

mögliche Kombinationen, die in Anfragen eingehen können. Ähnliches gilt für die 1.600 Diagnosen. Daraus resultiert eine immens große Anzahl möglicher Ergebnisse, die sich nicht komplett vorberechnen und speichern lassen.

FazitUnternehmen investieren in BI-Technologien, um Wettbe-werbsvorteile zu erzielen. Damit sie dieses Ziel auch erreichen können, benötigen sie fortgeschrittene Analysemöglichkeiten, die über ein retrospektives Berichtswesen hinausgehen. Hier-für eignet sich die Statistik-Software und Programmierspra-che R, die sich im wissenschaftlichen und kommerziellen Um-feld durchgesetzt hat. Während mit Eigenentwicklungen auf Basis von R schnell Auswertungslösungen realisiert werden können, erfordert die nachhaltige und strategisch ausgerich-tete Anwendung von Advanced Analytics, dass R in bestehen-de BI-Landschaften der Unternehmen integriert wird. Hier-

für werden von verschiedenen Anbietern unterschiedliche technische Lösungsansätze verfolgt. Die größte Flexibilität wird Analysten geboten, wenn R in die im Controlling ver-breiteten OLAP-Technologien integriert wird. Auf diese Wei-se wird die Flexibilität von OLAP-Technologien mit dem reichhaltigen Funktionsumfang von R kombiniert.

LiteraturFox, J.: Aspects of the Social Organization and Trajectory of the R Project, in: The R Journal, Vol. 1/2 (2009), S. 5 – 13, http://journal. r-project.org/archive/2009-2/RJournal_2009-2_Fox.pdf (letzter Abruf: 07.02.2014).

Gluchowski, P./Chamoni, P.: Entwicklungslinien und Architektur-konzepte des On-Line Analytical Processing, in: Chamoni, P./Glu-chowski, P. (Hrsg.): Analytische Informationssysteme, Berlin/Hei-delberg 2010, S. 197 – 228.

Lüthy, A./Buchmann, U.: Marketing als Strategie im Krankenhaus, Stuttgart 2009.

Kisker, H.: Predictive Analytics gibt neue Impulse – Eine Untersu-chung über den Nutzen und die Herausforderung von Predictive-Analytics-Lösungen, Forrester Consulting 2013, http://www.blue-yonder.com/infocenter/studien.html (letzter Abruf: 07.02.2014).

Nolting, H./Albrecht, M./Schwinger, A./Wasem, J./Overstijns, T./Mangen, M./Klesse, M.: Perspektive 2020 – Gesundheit als Chance, 5. Delphi-Studie zur Zukunft des Gesundheitswesens, Neuss 2009.

R Foundation: The R Project for Statistical Computing, 2013, http://www.r-project.org/ (letzter Abruf: 07.02.2014).

Säfken, B./Rohde, M./Mertens, M./Annuß, R./Appelrath, H.-J./Kneib, T.: Fallzahlprognosen in der Versorgungsplanung, in: Deutsche medizinische Wochenzeitschrift, Vol. 137 (2012), Heft S 03, https://www.thieme-connect.com/ejournals/abstract/10.1055/ s-0032-1323450 (letzter Abruf: 07.02.2014).

Seufert, A.: Business Intelligence und Advanced Analytics / Data Mining: Status Quo – Potenziale – Wertbeitrag, http://www.pmone.com/blog/anfordern/business-intelligence-und-advanced-analytics-data-mining/ (letzter Abruf: 07.02.2014).

a Zusätzlicher Verlagsservice für Abonnenten von „Springer für Professionals | Finance & Controlling“

Zum Thema Statistik-Software Suche

finden Sie unter www.springerprofessional.de 165 Beiträge, davon 40 im Fachgebiet Finance & Controlling Stand: Januar 2014

Medium

☐ Zeitschriftenartikel (12) ☐ Buch (1) ☐ Buchkapitel (152)

Sprache

☐ Deutsch (162) ☐ Englisch (3)

Von der Verlagsredaktion empfohlenOhri, A.: R for Business Analytics, New York 2013,

www.springerprofessional.de/3247644

Groß, J.: Grundlegende Statistik mit R – Eine anwendungsorientierte Einführung in die Verwendung der Statistik Software R, Wiesbaden 2010,

www.springerprofessional.de/4550112





• Alles, was Sie für den Aufbau einer soliden � nanziellen Basis wissen müssen

• Das Know-how der Pro� s verständlich und nachvollziehbar formuliert

• Auf Augenhöhe mit Ihrem Bankberater verhandeln

Private Finanzen umfassen alle Einnahmen und Ausgaben eines privaten Haushalts, die miteinander in Einklang gebracht werden müssen, natürlich immer im Hinblick auf die individuellen Lebensumstände und Wünsche. Einen besonderen Stellenwert nehmen die � nanzielle Grundsicherung, die soziale Absicherung und Steuerfragen ein. Das Praxis-handbuch soll kein „Geheimwissen“ vermitteln, sondern das aus der langjährigen Bera-tungs- und Lebenserfahrung gewonnene Gesamtwissen so darstellen, dass sich daraus für die unterschiedlichsten Finanz- und Lebensbereiche ein unverzichtbarer praktischer Nutzen ergibt.

Helmut KellerPraxishandbuch FinanzwissenSteuern - Altersvorsorge - Rechtsfragen 2013. VIII, 469 S. 14 Abb. Brosch.€ (D) 39,99 | € (A) 41,11 | *sFr 50,00ISBN 978-3-658-00749-2

Das Know-how der Pro� s verständlich formuliert

Jetzt bestellen: springer-gabler.de

€ (D) sind gebundene Ladenpreise in Deutschland und enthalten 7% MwSt. € (A) sind gebundene Ladenpreise in Österreich und enthalten 10% MwSt. Die mit * gekennzeichneten Preise sind unverbindliche Preisempfehlungen und enthalten die landesübliche MwSt. Preisänderungen und Irrtümer vorbehalten.

springer-gabler.de

Marktpotenziale mit Advanced Analytics erkennen

Documents

Transcript of Marktpotenziale mit Advanced Analytics erkennen