Megjelent Az IBM SPSS Modeler 15

Az IBM szakértői 2012. július 5-én a Budapesti Műszaki és Gazdaságtudományi Egyetemen ismertették a cég adatbányászati szoftvere, az SPSS Modeler (Clementine) legújabb, 15-ös verzióját

IBM SPSS Modeler 15

Az SPSS Modeler technikái gazdaságos megoldást nyújtanak a vevőkör szélesítésére, a fogyasztói hűség erősítésére, az ügyfél-lemorzsolódás csökkentésére és az üzleti kockázat mérséklésére. Alkalmazásával a közszféra szervezetei számára is számos felhasználási lehetőség nyílik, pl. a munkaerő-szükségletek előrejelzése, a hallgatói életutak nyomon követése, proaktív beavatkozás közbiztonságot érintő kérdésekben, ill. a mindennapos működéssel kapcsolatos kihívások kezelése.

Múltbeli adatok felhasználásával megbízható előrejelzések készíthetők és betekintést nyerhetünk az adatok között meghúzódó rejtett összefüggésekbe, így lehetővé válik az ügyfelek alaposabb megismerése, az üzleti probléma egyszerű és gyors megoldása.

Az SPSS Modeler friss változata új funkciókkal és lehetőségekkel bővült, mint az új

Social Network Analysis:

Lehetővé teszi kapcsolatok feltárását, segítségével egyének és csoportok viselkedése jellemezhető.

Az új Modeler SNA két részből áll:

Group analysis, mely megmutatja, milyen csoportok fedezhetők fel adatainkban és kik a véleményformálók

Diffusion analysis, mely meglévő forgalmi adatokból kiindulva határozza meg, kik befolyásolhatók leginkább a lemondás irányába

Entity Analytics:

A cégek az ügyfeleikről való teljeskörű képalkotás érdekében gyakran kombinálnak több adathalmazt, de előfordulhat, hogy ezek között nincs teljes egyezés. Az EA lehetővé teszi az effajta kapcsolatok feltárását, megadja a nem egyértelmű azonosságokat és ha további információ áll rendelkezésre, lehetővé teszi a megfelelő rekordok egyesítését vagy szétválasztását. Ezzel elkerülhető pl., hogy ugyanazt a személyt több marketing ajánlattal is megkeressük.

Új prediktív technikák és megjelenítési lehetőségek:

GLMM modell

Térképes megjelenítés

Big data analytics:

Gyorsabb és hatékonyabb modell alkalmazás

Új adatbázisok integrációja, in-database scoring

IBM DB2

IBM Netezza

Teradata

Újdonságok az SPSS Modeler Professional változatban

Térképes megjelenítés:

Hatékony megjelenítő eszköz az eredmények figyelemfelkeltő szemléltetésére. Az adatok közötti összefüggések szemléltetéséhez számos látványos térképtípus közül lehet választani, ezek közé tartozik például a színárnyalatos megjelenítés.

GLMM modellezés:

Segítségével pontosabb modellek készíthetők hierarchikus, ill. egymással korreláló megfigyelések esetén is.

A GLMM modellek alkalmazásával a mennyiségi és a minőségi változók kölcsönhatásai is beépíthetők a modellbe,

így téve még hatékonyabbá az elemzést.

Ütemezett node végrehajtás:

A hatékony munkavégzést segíti elő a Modeler node ütemezési megoldása, alkalmazásával egyedi határidőket szabhatunk egy-egy parancs végrehajtásának a streamen belül.

Továbbfejlesztett aggregálási funkció:

Az adatok aggregálását az új SPSS Modeler Professional segítségével a meglévő mutatók mellett már elvégezhetjük a medián érték alapján, a variancia érték szerint, vagy az első és a harmadik kvartilis mentén is.

Feltételes merge:

A továbbfejlesztett merge node lehetőséget biztosít arra, hogy a bemeneti rekordok egyesítését feltételekhez kötötten hajtsuk végre. A feltételeket közvetlenül a node-on belül is megadhatjuk, vagy elkészíthetjük azokat az Expression Builder segítségével.

IBM SPSS Modeler 15 Premium

Mi történik, ha az információ nagy része nem strukturált, hanem szöveges formában áll rendelkezésre, például feljegyzésekben, dokumentumokban vagy a világhálón? Ez esetben előfordulhat, hogy a kizárólag strukturált adatokra alapozott elemzés nem ad teljes képet az üzleti folyamatainkról. Az IBM SPSS Modeler Premium prediktív és szövegelemző eszköztárával lehetőséget biztosít adataink kivételesen hatékony feltérképezésére, ezáltal megbízható döntések meghozatalára, melyek befektetéseink megtérüléséhez is hozzájárulnak.

Lehetővé teszi, hogy a legkülönfélébb adatforrásokból nyerjünk ki információt, így a strukturált adatfeldolgozást kiegészíthetjük olyan, strukturálatlan adatokból származó információkkal, mint pl. a web aktivitás, blog tartalmakból és vásárlói visszajelzésekből kinyert fogyasztói vélemények, e-mailek vagy cikkek.

Entity Analytics:

A válIalatoknál általában napi szinten előforduló feladat a különböző adatállományok egyesítése. De mi történik, ha nincs egyértelmű illeszkedés az adatbázisok között? Az SPSS Modeler Premium Entity Analytics használatával feltárhatók az adatok közötti kapcsolatok, és kiszűrhetők a nem egyértelmű azonosságok, így az adattáblák gyorsan összekapcsolhatók. Az azonosítási eljárás alkalmazása kulcsfontosságú lehet a csalások, bűnesetek feltárásában, ill. a gyanúsítottak azonosításában, de marketing területen is, ha el akarjuk például kerülni, hogy egy ügyfelet egyazon marketing kampány keretében többször is megkeressünk.

Social Network Analysis (SNA):

A kapcsolati háló elemzés segítségével, üzletileg jól alkalmazható mutatókkal válik megragadhatóvá az ügyfelek társas viselkedése. Az elemzés az átfogó ügyfélprofilok kialakításán túl lehetővé teszi a véleményvezérek azonosítását is.

Az SPSS Modeler Premium kapcsolatháló elemző eljárásával kirajzolhatók az ügyfélcsoportok, azonosíthatók a véleményvezérek és megadható, hogy ők az újabb ügyfelek lemorzsolódásában mekkora szerepet játszhatnak. Ennek megfelelően, két elemzési eljárás került kialakításra, amelyek nagymértékben javítják a lemorzsolódási modellek előrejelző képességét.

Csoport szintű elemzés:

A csoporttagok és a vezetők azonosítását jelenti.

Fertőzés (diffúz) elemzés:

A meglévő lemorzsolódási adatok felhasználásával a veszélyeztetett ügyfelek azonosítását jelenti, ill. annak meghatározását, hogy mi befolyásolja döntésüket.

Text Analytics:

Az SPSS Text Analytics segítségével feltárhatók fontos összefüggések, vélemények és kapcsolatok, és ezek olyan strukturált formátumba hozhatók, ami a prediktív modellezés alapját képezheti. Grafikus felülete nyelvész segítsége nélkül is könnyen kezelhető, akár elemzők és üzleti felhasználók számára is. A szöveges adatok közvetlenül hozzáférhetők, a döntéshozók és más alkalmazások felhasználhatják.

Az SPSS Text Analytics fejlett nyelvészeti és NLP (Natural Language Processing) technológiát alkalmaz a különböző szöveges állományok gyors feldolgozására, valamint az ezekből történő összefüggések kigyűjtésére. Segítségével széles körben érhetők el és dolgozhatók fel strukturálatlan adatok. Az összefüggések kinyerését követően adatbányászati technikák alkalmazhatók. A kinyert információk strukturált adatokkal kombinálhatók és prediktív modellekben alkalmazhatók, ily módon jelentősen javítható a prediktív adatmodellek pontossága és eredménye.

Harmat Lajos