Tag: data mining

Analytics | Machine Learning
Joanna Gola 0
10 Commandments of Applied Econometrics or how not to sin when working with real data – Part 5

In the fourth post of the 10 Commandments of Applied Econometrics series we discussed the issues of keeping the solutions sensibly simple and applying model validation. Today, I will present another commandment related to data mining techniques. Use data mining reasonably. In the econometric community, data mining is a controversial and highly emotional

Analytics | Machine Learning
Fabian Buchert 0
Ein Wahlkampf mit Trumpf – mit Textanalytics verstehen was eigentlich gemeint ist

Mal ehrlich, wenn ich Sie fragen würde, worüber die Kandidaten im diesjährigen US-Wahlkampf in ihren Aufeinandertreffen debattiert haben – welche Kernthemen würden Sie mir spontan (abseits von Skandalen und Affären) nennen? Und könnten Sie diese Kernthemen den einzelnen Kandidaten zuordnen? Als ich mir diese Frage stellte, war die Antwort –

Analytics | Machine Learning
Joanna Gola 0
10 Przykazań Ekonometrii Stosowanej, czyli jak nie grzeszyć podczas pracy z realnymi danymi? – część 5

W czwartym wpisie z serii 10 przykazań Ekonometrii Stosowanej poruszyliśmy kwestie związane z zachowaniem prostoty i jasności stosowanych rozwiązań oraz weryfikacją modeli. Dziś przedstawię kolejne przykazanie, które wiąże się z wykorzystaniem technik data mining. 7. Data mining stosuj z rozwagą. Data mining jest w środowisku ekonometrycznym pojęciem kontrowersyjnym i budzącym

Andreas Becks 0
Warum intelligente Maschinen nicht den Menschen ersetzen (Teil1)

 Das Thema Künstliche Intelligenz (intelligente Maschinen) sorgt nach wie vor für Verwirrung und Unsicherheit. Ängstliche Fragen wie „Sind Roboter bald intelligenter als Menschen?“ und „Werden sie uns die Arbeitsplätze wegnehmen?“ bestimmen die Schlagzeilen – auch bei gut informierten Fachmedien. Selbst Stephen Hawking warnt vor künstlicher Intelligenz und der Tesla-Chef gar

Customer Intelligence | Data Management
Suneel Grover 0
Web analytics vs. digital intelligence - what's the difference?

The business opportunity to intelligently manage customer journeys across their lifecycle with your brand has never been greater, but so is the danger of not meeting their expectations and losing out to savvier competitors. In my opinion, the current state of most digital analytic practices continue to be siloed, tactical, and narrowly fixated on channel-obsessed dashboard

Toby Text 0
20 Jahre KSFE

Neben dem 40 jährigen Gründungsjubiläum der Software Firma SAS gibt es 2016 auch das 20 jährige KSFE - Jubiläum der Kooperation der SAS Anwender in Forschung und Entwicklung zu feiern, und zwar in der ältesten Universität Schwedens.

Customer Intelligence
Suneel Grover 0
Analytical segmentation for data-driven marketing

Marketers have used segmentation as a technique to target customers for communications, products, and services since the introduction of  customer relationship management (i.e., CRM) and database marketing. Within the context of segmentation, there are a variety of applications, ranging from consumer demographics, geography, behavior, psychographics, events and cultural backgrounds. Over time, segmentation has proven its value,

Patrick Homer 0
The analytics-driven marketing evolution in life sciences

PharmaVOICE recently published an article: Analytics Driven Marketing for the pharmaceutical industry and I was fortunate enough to be interviewed. The article discusses the increased use of advanced analytics to make better marketing decisions, the progress that has been made and the challenges that still need to be overcome. Within

Learn SAS
Anuja Nagpal 0
Flexibility of SAS Enterprise Miner

Do you use an array of tools to perform predictive analytics on your data? Is your current tool not flexible enough to accommodate some of your requirements? SAS Enterprise Miner may be your solution. With growing number of data mining applications, having a tool which can do variety of analysis

Stuart Rose 0
Putting predictive analytics to work.

Insurance relies on the ability to predict future claims or loss exposure based on historical information and experience. However, insurers face an uncertain future due to spiraling operational costs, escalating regulatory pressures, increasing competition and greater customer expectations. More than ever, insurance companies need to optimize their business processes. But

1 2 3