Компоненты KXEN Analytic Framework

Компонент Агрегирования Событий (KXEN Event Log – KEL) предназначен для агрегирования данных и их преобразования внутри заданных пользователем периодов времени. KEL позволяет объединить бизнес-данные компании с демографическими данными о клиенте. Компонент используется в случаях, когда имеющиеся данные содержат одновременно статическую информацию, такую как, возраст, пол и профессия клиента, и динамические переменные, такие как, данные о покупках или транзакциях по кредитной карте. Компонент автоматически преобразует данные внутри заданных периодов времени и не требует какого-либо программирования или внесения изменений в структуры баз данных. KEL объединяет данные и преобразовывает их путем вычисления интегральных значений для каждого периода времени для того, чтобы подготовить их для работы с другими компонентами KXEN.

Преимущества: KEL позволяет интегрировать бизнес-данные компании с данные из дополнительных источников информации для того, чтобы повысить качество моделей.

 

Компонент Обработки Последовательностей (KXEN Sequence Coder – KSC) позволяет объединять отдельные элементы в последовательности событий. Например, поток «кликов» посетителя Web-сайта может быть преобразован в последовательность данных для каждого посещения. Каждая колонка получаемой при этом таблицы будет отражать конкретный переход с одной страницы на другую. Аналогично, как это делает KEL, получаемая таблица данных может быть дополнена другими данными о клиентах и доступна другим компонентам KXEN для дальнейшей обработки.

Преимущества: С помощью KSC можно использовать прежде не задействованные источники информации для того, чтобы повысить качество предсказательных моделей.

 

Компонент Преобразования Текста (KXEN Text Coder – KTC) автоматически подготавливает и преобразовывает в структурированный вид текстовую информацию, чтобы ее можно было использовать в моделирующих компонентах KXEN Analytic Framework. KTC автоматически управляет преобразованием неструктурированной информации в структурированную и, таким образом, относится к классу инструментов, называемых анализаторами текста. Теперь текстовые поля баз данных могут использоваться в том виде, как они есть, при решении задач классификации, регрессии и кластеризации.

Преимущества: Автоматическое преобразование информации текстовых полей баз данных позволяет повысить качество моделей и их достоверность.

 

Компонент Подготовки Данных (KXEN Consistent Coder – K2C) автоматически подготавливает и преобразовывает данные в формат, необходимый для их обработки другими компонентами KXEN Analytic Framework. K2C преобразовывает качественные и порядковые переменные в непрерывные, автоматически заполняет отсутствующие или пропущенные значения и выявляет сбойные данные путем проверки выхода их значений за границы допустимого диапазона.

Преимущества: Автоматизированная подготовка данных позволяет высвободить время непосредственно для изучения и использования модели.

 

Компонент Робастной Регрессии (KXEN Robust Regression – K2R) производит построение предсказательных и описательных моделей, используя для этого запатентованный компанией KXEN регрессионный алгоритм. Построенные K2R модели могут использоваться для анализа, регрессии и классификации. В отличие от традиционных регрессионных алгоритмов, регрессионный алгоритм K2R может успешно работать с очень большим количеством переменных (более 10 000). Модуль K2R выводит индикаторы (Ki, Kr) и графики, которые позволяют легко оценить качество и надежность построенных моделей.

Преимущества: Процесс построения моделей полностью автоматизирован. Построенные модели позволяют детально изучить индивидуальное влияние переменных на моделируемый параметр.

 

Компонент Интеллектуального Сегментирования (KXEN Smart Segmenter – K2S) выявляет естественные группы или сегменты в совокупности данных. K2S специально разработан для того, чтобы определять сегменты, присущие конкретной бизнес-задаче. Он описывает свойства каждой группы и указывает ее отличия от всех остальных данных. Как и другие компоненты KXEN, K2S оценивает свою работу с помощью индикаторов качества и достоверности.

Преимущества: Компонент автоматически выявляет группы или сегменты, которые имеют некоторый конкретный смысл по отношению к решаемой задаче.

 

Компонент Анализа Временных Рядов (KXEN Time Series – KTS) выявляет и предсказывает имеющие конкретный физический смысл временные закономерности и тенденции в данных. Компонент позволяет использовать накопленные хронологические данные компании для прогнозирования результатов последующих периодов. Чтобы получать точные и достоверные прогнозы, KTS способен выявлять в данных не только тенденции, но и периодичность и сезонность.

Преимущества: Появляется возможность подстроиться под периодические явления бизнеса и, например, предсказать дефицит товарных запасов до того, как это произойдет.

 

Компонент Ассоциативных Правил (KXEN Association Rules – KAR) выявляет в бизнес-данных закономерности, определяющие, какие события часто происходят вместе. Ассоциативные правила связывают отдельные события, такие как, например, покупка одного конкретного продукта, с рядом условий, т.е., покупкой других продуктов. Например, при анализе покупательского поведения клиентов розничный продавец может обнаружить, что покупка цифровой камеры часто сопровождается покупкой карты памяти в течение месяца.

Преимущества:  KAR позволяет менеджерам принимать важные решения по продуктовому ассортименту, проведению промо-акций, расположению товара на витринах и другим вопросам.

 

Компонент Экспорта Моделей (KXEN Model Export – KMX) создает соответствующие моделям, построенным пакетом KXEN Analytic Framework, программные коды в форматах SQL, C, VB, SAS и других. Таким образом, построенные модели легко интегруются в другие приложения, поддерживающие соответствующие форматы файлов. Благодаря KMX анализ данных становится независимым от системы построения моделей, и появляется возможность очень быстрого внедрения готовых моделей в рабочий процесс компании.

Преимущества: Экспортируемые модели KXEN быстро интегрируются с базами данных, прикладными или бизнес-приложениями, не требуя для своей работы KXEN Analytic Framework. Благодаря KMX также появляется возможность использования моделей на платформах, отличных от той, на которой они были построены.