scopeKM                                    Knowledge Management  Allumfassende Extraktion  von Informationen aus den      ...
scopeKM                                                                          Knowledge ManagementDer Ansatz€ Die Metho...
scopeKM                                                                          Knowledge ManagementNLP Natural Language ...
scopeKM                                                                               Knowledge ManagementInformation Extr...
scopeKM                                                                       Knowledge ManagementVor- und Nachteile der I...
scopeKM                                                                               Knowledge ManagementPhilosophie der ...
scopeKM                                        Knowledge ManagementAllumfassende Extraktion -die Aufgabestellung          ...
scopeKM                                          Knowledge ManagementDie Syntaxanalyse                    Der 1. (Teil-)Sa...
scopeKM                                                                           Knowledge ManagementLinguistische Analys...
scopeKM                                                                             Knowledge ManagementDas Satz-DiagrammE...
scopeKM                                                             Knowledge ManagementEvent map                         ...
scopeKM                                          Knowledge ManagementAnalyse eines unerwartetenEreignisses                ...
scopeKM                                                                          Knowledge ManagementDer Begriff „Thematis...
scopeKM                                            Knowledge ManagementAnwendung der thematischenRollen           Der 3. (...
scopeKM                                              Knowledge ManagementInformation Extraction alsEreignisstabelle       ...
scopeKM                                               Knowledge ManagementAllumfassende Extraktion als dieTabelle der Trip...
scopeKM                                                                              Knowledge ManagementSemantische Analy...
scopeKM                                                               Knowledge ManagementSemantische Analyse (2)Extraktio...
scopeKM                                                                                       Knowledge ManagementSemantis...
scopeKM                                                                                      Knowledge ManagementSemantisc...
scopeKM                                             Knowledge ManagementAllumfassende Extraktion als dieTabelle der Triple...
scopeKM                                                            Knowledge ManagementAllumfassende Extraktion –Darstellu...
scopeKM                                                                             Knowledge ManagementTonalität der Verb...
scopeKM                                                                                                        Knowledge M...
scopeKM                                                                                     Knowledge ManagementStimmungen...
scopeKM                                                                             Knowledge ManagementSlanguage€ Slangua...
scopeKM                                                                            Knowledge ManagementSlanguage-Wörterbüc...
scopeKM                                                                               Knowledge ManagementSemantic Annotat...
scopeKM                                                                                  Knowledge ManagementUmgang mit ex...
scopeKM                                                                                  Knowledge ManagementVoice of the ...
scopeKM                                      Knowledge ManagementDanke für Ihre Aufmerksamkeit ! Juraj Schick, scopeKM Gmb...
Nächste SlideShare
Wird geladen in …5
×

scopeKM: Allumfassende Extraktion von Informationen aus den Social Media

1.874 Aufrufe

Veröffentlicht am

Mit der Technologie „Allumfassende Extraktion“ wird ein System aufgebaut, das Texte aus praktisch jeder Quelle - aus Social Media (Twitter, Foren, Blogs etc.), Callcenter-Aufzeichnungen, E-Mails oder Kundenumfragen - in verwertbare Informationen umwandelt und auf diese Art tiefgreifende Einblicke in aggregierte Kundendaten ermöglicht. Allumfassende Extraktion untersucht die Wörter und ihre Umgebung und interpretiert Sätze und Phrasen in fast der gleichen Weise, wie es der menschliche Geist tut. Es extrahiert die Fakten, Beziehungen und Stimmungen aus diesen Dateien in einer sehr präzisen Art und Weise und analysiert die Inhalte.

Der Fliesstext wird in Near-Real-Time extrahiert, um die thematischen Rollen aller Akteure, die Aktionen und deren Konstituenten zu bestimmen. Die Technologie ermöglicht dem Anwender, Fakten bezüglich der Fragen „Wer, Was, Wo, Wann und „Warum“ zu eruieren und zu analysieren. Im Anschluss können Menschen, Orte, Ereignisse und ihre Beziehung zueinander ermittelt werden. Als Ergebnis werden Daten in einem strukturierten, relationalen Format erzeugt, die mit bereits existenten, strukturierten Daten (DWH u.ä.) zur weiteren Analyse verknüpft werden. Schemata zur sofortigen Datensuche oder für Business-Intelligence-Anwendungen werden mitgeliefert.

Veröffentlicht in: Business
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
1.874
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
1
Aktionen
Geteilt
0
Downloads
5
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

scopeKM: Allumfassende Extraktion von Informationen aus den Social Media

  1. 1. scopeKM Knowledge Management Allumfassende Extraktion von Informationen aus den Social Media Präsentation von Juraj Schick, Dipl. Ing. ETHscopeKM Knowledge Management GmbH, 8033 Zürich, Schweiz
  2. 2. scopeKM Knowledge ManagementDer Ansatz€ Die Methode der “Allumfassenden Extraktion” extrahiert in Near-Real-Time und in einer sehr präzisen Art und Weise Informationen aus unstrukturiertem Text in unterschied- lichsten Kanälen Fakten, Beziehungen und Stimmungen und wandelt diese in eine strukturierten Form um.€ Der in XML und in strukturiertem relationalem Datenformat erstellte Output wird mit den bestehenden strukturierten internen relationalen Daten (DWH) gekoppelt.€ Die auf diese Art kombinierten Informationen können mit den im Unternehmen bereits bestehenden BI-Anwendungen untersucht werden.
  3. 3. scopeKM Knowledge ManagementNLP Natural Language Processing(Computerlinguistik)„Voice of the Customer“ – Stimmungen in den Konversationen der Social Mediaverstehen erfordert Verständnis und Analyse des natürlich gesprochenen Textes.Mit dem NLP werden verschiedene sprachliche Repräsentationsebenen sequentiell bearbeitet:€ Tokenisierung. Die Buchstabenkette wird in Wörter, Sätze etc. segmentiert.€ Morphologische Analyse. Die innere Struktur der Wörter wird betr. Bedeutung und Funktion analysiert, um die grammatikalischen Information zu extrahieren und um die Wörter im Text auf Grundformen zurückzuführen.€ Syntaktische Analyse. Die Wörter jedes Satzes werden auf ihre strukturelle Funktion im Satz hin analysiert (z.B. Subjekt, Objekt, Modifikator, Artikel, etc.)€ Semantische Analyse. Den Sätzen bzw. ihren Teilen wird in einer Vielzahl von verschiedenen Einzelschritten Bedeutung zugeordnet.
  4. 4. scopeKM Knowledge ManagementInformation Extraction (IE)€ Information Extraktion = Extraktionslogik / Muster€ Mit der IE werden aus einem Text die dem Muster entsprechende signifikante Elemente extrahiert: die Beantwortung der Frage nach „Wer“, „Was“, „Wo“, „Wann“, „Wie“ und „Warum“. Muster für : • Wer war der Käufer • Was war das Geschenk • Wer war der Empfänger • Wann hat es stattgefunden • Was war der Wert
  5. 5. scopeKM Knowledge ManagementVor- und Nachteile der IE Die Vorteile der IE: • Faktisches Verständnis (Beispiel: alle Facetten des „Gifting Event“ • Mehrdimensionale Analytik / spezifische Abfragen • Fein granuliere Abbildung des Inhalts Die Nachteile der IE: • Grosser Aufwand für die Vor- definition der Logik / der Muster • Nur das spezifische Wissen wird extrahiert • Keine Wissensakquisition möglich €Man wird nie sehen oder verstehen Dinge, von denen man nicht erwartet, dass sie sich aus dem (Kon-)Text ergeben könnten.
  6. 6. scopeKM Knowledge ManagementPhilosophie der Methode der„Allumfassenden Extraktion“€“I don’t know what I’m looking for, but I’ll know it when I see it.” David Bean, Prof., Dept. of Linguistics, University of UtahEin solcher Analyseprozess ist wichtig, weil die sich bietenden Potentiale können zwar für alleArten von Domains und Anwendungen vermutet, aber (noch) nicht definieren werden.Dazu müssen:1. Die unstrukturierten Kundenkonversationen in allen Kanälen in die Analyseprozesse miteinbezogen werden und2. Automatische Prozesse aufgebaut werden, die befähigt sind solche Konversationen zu verstehen, zu analysieren um anschliessend aus denen solche Informationen zu ermitteln, die nach der Zusammenführung mit den Ergebnissen der Analyse der strukturierten Daten dazu geeignet sind, richtige Schlüsselentscheidungen zu treffen.
  7. 7. scopeKM Knowledge ManagementAllumfassende Extraktion -die Aufgabestellung Allumfassende Extraktion - es wird ein System aufgebaut, das nicht nur das Erwartete, sonder einfach alles extrahiert! Das System sequenziert den Text in Aussagen. Die Aufgabe: • Gibt es “die wichtigste Aussa- ge” und falls ja, welche ist sie? • Gibt es einen “Ausreisser”, einen “driver” gemäss dem Ansatz “I don’t know what I’m looking for, but I’ll know it when I see it.” ?
  8. 8. scopeKM Knowledge ManagementDie Syntaxanalyse Der 1. (Teil-)Satz: „Jack bought a sweater last Monday“
  9. 9. scopeKM Knowledge ManagementLinguistische Analyse€ Die linguistische Analyse befasst sich mit der Analyse der Sprache auf der Wort- und Satzebene, der Rollen und Beziehungen betreffend – z.B. wer hat wem was getan.€ Die semantische Analyse befasst sich mit der Analyse auf der Bedeutungsebene.Syntaxanalyse / Parsing€ Mit Parsing wird ein Diagramm des Textes erstellt, zwecks Identifikation • seiner grammatikalischen Bestandteilen (Hauptwort /Nomen, Eigenschaftswort / Adjektiv, Fürwort /Pronomen, Verb usw.) und • der Rollen einzelner Worte innerhalb des Satzes.€ Jeder Satz des Dokuments wird nach dem Abschluss des Parsens strukturiert als eine Serie von Nominalphrasen (Noun Phrases, NPs), Verbalphrasen (Verb Phrases, VPs), Präpositionalphrasen (Prepositional Phrases, PPs), Satzteilen (Clauses) usw.€ Der Output zeigt die Wortarten (part of speech) für jedes Wort des Satzes (Subjekt, Objekt usw.), die Struktur des die Worte beinhaltenden Ausdrucks, Kategorie des Verbs (Aktiv, Passiv) usw.
  10. 10. scopeKM Knowledge ManagementDas Satz-DiagrammEs wird ein Extraktionsmuster angewendet, um den Anlass (Hier: der „Kauf“) zuidentifizieren und seine Konstituenten festzulegen. Das Satzdiagramm mit den Konstituenten des (Teil-)Satzes: • Das Subjekt: der Käufer (Jack) > 1.Nominalphrase • Das Objekt: der Artikel (a sweater) > 2. Nominalphrase • Die aktive Verbalphrase mit: o Adverbialphrase: die Zeit (last_ Monday) o das Verb bought als der „Driver“ des Anlasses
  11. 11. scopeKM Knowledge ManagementEvent map Die Ereigniskarte: • Jack > der Akteur • a sweater > der Gegenstand • last_ Monday > die Zeit €bought: Vorstellung der Kaufaktion als den Antreiber des Anlasses€Der “traditionelle” Weg der Informations-Extraktion
  12. 12. scopeKM Knowledge ManagementAnalyse eines unerwartetenEreignisses Der 2. (Teil-)Satz: „Jack ate a pickle sandwich“ Das Satzdiagramm des zweiten des 2. (Teil-)Satzes: • passt zu keinem vordefiniertem Ereignismuster, d.h. • kein Hinweis auf irgend welche Rollen, wie z.B. Käufer, Artikel usw. € Erst die Analyse gibt Auskunft darüber, ob die Aussage relevant ist oder nicht.
  13. 13. scopeKM Knowledge ManagementDer Begriff „Thematische Rolle“€ Der Begriff „Thematische Rolle“ stellt wichtige Komponente der Lösung Allumfassende Extraction dar.€ Bestimmung der thematischen Rolle ist die Methode zur Identifizierung eines bestimmten Rollenträgers in einer Aktion, ohne die Syntax des Satzteiles zu berücksichtigen, in welcher die Aktion stattfindet.€ Mit der Bestimmung der thematischen Rollen wird definiert: o der/die Spieler / Akteur(-e), der/die die Aktion zum Laufen bringt(-en) o die Objekte der Aktion o die Rezipienten / die Empfänger o die Erfahrenden / Akteure, die eine Rolle spielen aber nicht die Empfänger sind o die Hilfsmittel, die man zur Durchführung der Aktion benützt o das Datum, wann eine Aktion stattfindet und o der Ort, wo eine Aktion stattfindet.
  14. 14. scopeKM Knowledge ManagementAnwendung der thematischenRollen Der 3. (Teil-)Satz: „A pickle sandwich was eaten by Jack“ Handlungsrichtung vs. thematische Rolle: • was eaten > passive Verbalphrase • Jack > Teil der Propositionalprase • a pickle sandwich > das Subjekt € Jack ist hier zwar kein Subjekt sondern ein Konstituent der Aktion, verbleibt aber – richtigerweise – in seiner thematischen Rolle als der Akteur, die Person, die die Aktion ausführt. € Das Lösungsprinzip: Die thematischen Rollen – der Akteur, das Objekt, die Aktion, das Hilfsmittel, das Datum, die Uhrzeit usw. – werden durch die Lösung für jeden untersuchten Satz ermittelt und angewendet!
  15. 15. scopeKM Knowledge ManagementInformation Extraction alsEreignisstabelle Strukturierung des Fliesstextes • Der Fliesstext wird nach thematischen Rollen tabellarisch strukturiert • Ersichtlich sind die Ergebnisse aus bekannten Ereignissen (hier: • „Giftingt Event“): o „bought“: der Trigger des Anlasses o Struktur: Thematische Rolle, Repräsentation, Extraktion • Auswertungen mit BI-Tools möglich • Nicht ersichtlich: explizit nicht gesuchte Ereignisse (hier: „Eating Event“)
  16. 16. scopeKM Knowledge ManagementAllumfassende Extraktion als dieTabelle der Triples Tabelle aller Ereignisse (Triples): • Alle Informationen zu Fakten und ihren Beziehungen verknüpft • Ersichtlich: alle, auch nicht gesuchte Ereignisse
  17. 17. scopeKM Knowledge ManagementSemantische Analyse (1)€ Die semantische Analyse befasst sich mit der Analyse auf der Bedeutungsebene.Extraktionsprozess Named Entities Exhaustive Events Extraction Engine Facts, Relationships (FRN) Triples Person: Jack Benennungen (Named Entities): Person: girlfriend Generell: Gruppe von Hauptwörtern Item: sweater Die Engine extrahiert die Benennungen Date: Monday von Menschen, Orten, Produkt- /Firmennamen, Datums usw.
  18. 18. scopeKM Knowledge ManagementSemantische Analyse (2)Extraktionsprozess Named Entities Exhaustive Events Extraction Engine Facts, Relationships (FRN) Triples Ereignisse (Events): Generell: Extraktion von Angaben über Ereignisse gemäss den definierten bzw. vordefinierten Mustern; Inhalte meistens sehr reichhaltig. Hier: Fünf Slots mit Attributen
  19. 19. scopeKM Knowledge ManagementSemantische Analyse (3)Extraktionsprozess Named Entities Exhaustive Events Extraction Engine Facts, Relationships (FRN) Triples Fact Element Mode sweater buy Fact-Relationship-Network (FRN) Agent • Mit FRN werden Doubles – Fakten- „Jack bought a sweater” Fact Paare – extrahiert. Element Mode • Jeder Teil der beiden Boxen stellt einzig- Jack artige Tatsache dar, nach dem Prinzip: „wer hat (wem) was (an-)getan“. • Die beiden Faktenpaare sind über die Agentenbeziehung miteinander ver- knüpft.
  20. 20. scopeKM Knowledge ManagementSemantische Analyse (4)Extraktionsprozess Named Entities Exhaustive Events Extraction Engine Facts, Relationships (FRN) Triples Triple ID 1 T1 T2 T3 Triples: Jack buy a swetar • Alle Informationen zu Fakten und ihren Beziehungen verknüpft Triple ID 3 • Triple: Struktur aus einem „Subjekt“, T1 T2 T3 einem „Prädikat“ (oder „Eigenschaft“) Jack eat a pickle sendwich und einem „Objekt“ (oder Eigen- schaftswert“) • Die Lösungs-Repository: alle möglichen Subjekt-Objekt-Beziehungen
  21. 21. scopeKM Knowledge ManagementAllumfassende Extraktion als dieTabelle der Triples Strukturierung nach den Triples • Allumfassende Extraktion: Tabellarische Anordnung aller im Fliesstext gefunde- nen Triples, ohne Prioritätssetzung • Mit BI-Tools bearbeitbare Tabelle € Gewährleistung des Prinzips: “I don’t know what I’m looking for, but I’ll know it when I see it.”
  22. 22. scopeKM Knowledge ManagementAllumfassende Extraktion –Darstellung der Ergebnisse Die Extraktion-Engine liefert: • Wertvollen Erkenntnisse aus als bekannt qualifizierten Tatsachen Extraktion • Ergebnisse aus als bekannt qualifizier- Engine ten Tatsachen, ohne einen momentan erkennbaren Nutzwert • Möglicherweise wertvolle Erkenntnisse aus bislang unbekannten Tatsachen Filtering € Funktion des Frühwarnsystems € Das wirkliche Nutzen des EE- Systems: Sehen etwas was man nie erwarten würde. Wertvolles aus Nicht Wertvolles Unbekannte bekannten aus bekannten Tatsachen Tatsachen Tatsachen
  23. 23. scopeKM Knowledge ManagementTonalität der Verbalphrase€ Schon eine geringe Nuancierung der Verbalphrase – der Stimmungen – kann zu einer wesentlichen Veränderung der Semantik des Satzes führen.€ Die Attensity Engine ruft das Analyse-Tool auf, sobald sie unterschiedliche Stimmungen erkennt. Sie werden dort systematisch dargestellt und können berücksichtigt werden. Beispiel: Der Kunde mag das Produkt Der Kunde mag das Produkt nicht Negation [nicht] Kein Kunde mag das Produkt Negation [nicht] Der Kunde mag das Produkt einigermassen Verkleinerung [weniger] Der Kunde mag das Produkt wirklich Vergrösserung [mehr]
  24. 24. scopeKM Knowledge ManagementDie Stimmungs-TypenStimmungs-Typ BeispielErweiternd Das Ding war schrecklich schön.Zur Erweiterung der Bedeutung zum Superlativ Fakt: Das Ding: schön [mehr](wirklich unglücklich, ernst beleidigt, echtaufgeblasen)Vermindernd Das Gerät funktioniert kaum.Zur Verkleinerung oder Eingrenzung der Fakt: Das Gerät: funktioniert [minder]Bedeutung, mindere ErwartungDringend Bitte den Kunden sofort anrufenZeigt dringende Art des Feedbacks / der Anfrage Fakt: Den Kunden : anrufen [ASAP]auf (jetzt beheben, reparieren ASAP)Wiederholend Mein Webbrowser funktioniert oft nicht.Die Aktion fand bereits (mehrmals) statt Fakt: Webbrowser : funktioniert nicht [wieder](versuchte zu reparieren, drei mal, noch immer)Unter Vorbehalt Wenn er das Call Center anruft, dann können wir dasWenn/dann Problem lösen Fakt 1: Call_Center : Anruf [wenn/dann] Fakt2: Problem : lösen [wenn/dann]Unbestimmt Der Kunde könnte abwandern.Zeigt Unsicherheiten auf Fakt: Der Kunde : abwandern [vielleicht](könnte funktionieren)Vorsätzlich Ich möchte das Produkt XYZ bestellen.Zeigt Absichten oder Sehnsüchte auf Fakt: Das Produkt XYZ : bestellen [Absicht](möchte bestellen, will kündigen)Fragend Hat Ihre Abteilung meine Anfrage erhalten?Frageform, Anfrage betr. Ware, Dienste, Fakt: Die Anfrage : erhalten [?]Information, InstruktionNegativ Er hat das Gerät nie repariert.Negiert die Bedeutung des Modus‘ Fakt: Das Gerät: repariert [nie]
  25. 25. scopeKM Knowledge ManagementStimmungen und BeziehungenWichtig: Unterschiede in Stimmungen verstehen, die den Unterschied ausmachen.Aufgabe: Stimmungen und Beziehungen in den Social Media begreifen. „Wenn Sie meine E-Mail nicht beantworten, kündige ich sofort den Vertrag“ Triple ID 1 T1 T2 T3 Sie beantworten [wenn/dann][nicht] E-Mail Triple ID 2 T1 T2 T3 Ich kündigen [dringend][wenn/dann] der Vertrag beantworten [wenn/dann][nicht] : E-Mail kündigen [dringend] [wenn/dann] : der Vertrag
  26. 26. scopeKM Knowledge ManagementSlanguage€ Slanguage ist eine neue, andere Sprache zur Definition der Merkmale in den Social Media.€ Slanguage kann dramatisch beeinflussen die Genauigkeit eines textanalytischen Werkzeugs: € Autorschaft € jedermann wird zum Autor €Ist charakterisiert durch • Verspieltheit: Abk•rzungen (r u ok?), Umschreibungen (chin.: X = sch), neue Begriffe in Tweets und Facebook (Bitcoin u.‚.) • Personalisierung: Emoticons (Smily), Facebook mit Like/Donƒt Like, Ersetzen von Schriftarten („ = Phi) • eigene Gesinnung: Sarkasmus (…Danke f•r die schnelle Zusendung nach nur f•nf Tagen†) > f•r Computerlinguistik sehr anspruchsvoll, Obsz‡nit‚ten (extrem mehrdeutig f•r ein und dasselbe Wort) • Konversationsorientiert: Schnelles Themenwechsel, Einfluss des Milieus
  27. 27. scopeKM Knowledge ManagementSlanguage-Wörterbücher€ Slanguage enthält eine Reihe von eher positiver Herausforderungen unterschiedlichster Schwierigkeitsgrade.€ Die Slanguage-Wörterbücher können zwar nie abgeschlossen sein, werden aber ständig aktualisiert, womit viele neue Themenbereiche erfolgreich erschlossen werden können.€ Solche Wörterbücher stehen unseren Kunden zum Erwerb zur Verfügung.
  28. 28. scopeKM Knowledge ManagementSemantic Annotation Server Analysis & Reporting Imports Exports Files Collection Conversion Oracle E-Mails Conversion Database DB2 Semantic Loading WWW MySQL Format Annotation Handling Alerting Twitter Server Teradata FB Other Other JDBC Process Process CRM Hooks Hooks XML SFA CSV Facts, Triples, Entities, Concepts etc. Surveys Knowledge Engineering Workbench (KEWB)
  29. 29. scopeKM Knowledge ManagementUmgang mit externenInformationen Plug-ins für Suchanfragen an externe Web-basierte Suchmaschinen zum Herausziehen von für die anschlies- sende Analyse interessanten Inhalten, Analysis & Reportingaus dem sog. Deep Web, z.B. auch Imports Produkt-Reviews. Exports Web Scrapers Files Collection Conversion Oracle Plug-in direkt ins Twitter-“Firehose“ E-Mails Twitter Conversion (Data Stream), um mit geeigneten Database DB2 Feeds Semantic Begriffen dieLoading Firma sinnvolle für die WWW MySQL Format Annotation zu extrahieren. Tweets Web Handling Alerting Twitter Server Teradata Crawlers FB Other Automatisches und regelmässiges Other JDBC FB Process Durchsuchen des Internets, Retrieval, Process CRM Search Hooks Hooks XML internes Speichern und das Indizieren von Inhalten der Social Media, CSV um SFA spätere Auswertung zu ermöglichen. Facts, Triples, Entities, Concepts etc. Surveys Nach der Eingabe eines Unterneh- mensprofils werden im Kontext ste- Knowledge Engineering Workbench (KEWB) hende Posts, Kommentare, Umfrage- ergebnisse und andere öffentlich zugängliche Beiträge bereitgestellt.
  30. 30. scopeKM Knowledge ManagementVoice of the Customer (VoC) –mit EDW Attensity€Leistungsstarke Analyse durch die Analysis & Kombination der Textextraktion mit den Reporting bestehenden DWH-Informationen 3rd Party Business Intelligence Was hat man gesagt E-Mail CRM Semantic Enterprise Text Annotation Data Surveys Server Warehouse Twitter Wer sind sie Strukturierte Was kauften sie Felder Wann kauften sie es Wieviel haben sie bezahlt Wo haben sie es gekauft Wie ist das Customer Value
  31. 31. scopeKM Knowledge ManagementDanke für Ihre Aufmerksamkeit ! Juraj Schick, scopeKM GmbH, Zürich juraj.schick@scopekm.ch T: +41 (0) 44 361 62 62 M: +41 (0) 76 412 58 01

×