Tag: SAS Viya

Advanced Analytics | Artificial Intelligence | Data for Good | Data Visualization | Machine Learning
0
SAS® on Azure, 세상을 바꾸는 세 가지 사례

최근 SAS는 클라우드에서 AI와 분석의 미래를 더욱 구체화하기 위해 마이크로소프트와 새로운 전략적 파트너십을 체결했습니다. 이번 파트너십으로 SAS 고객은 클라우드 환경에서 훨씬 수월하게 분석을 수행할 수 있습니다. 또한 SAS의 AI 및 분석 솔루션과 마이크로소프트 애저(Azure)의 긴밀한 통합으로 수백만 명의 애저 고객은 SAS 기술을 편리하게 활용하여 분석 성능을 한층 개선할 수 있습니다.

Advanced Analytics | Analytics | Data Visualization | Programming Tips
Mariana Fontanezi 0
Time Series Modeling: R & SAS

Como integrar modelos hierárquicos de séries temporais desenvolvidos em R ao SAS Visual Forecasting analisando as diferentes estratégias? O objetivo deste artigo é apresentar como podemos executar modelos de séries temporais, que foram desenvolvidos no R, no SAS Visual Forecasting, podendo, assim, paralelizar e acelerar o processamento do código R.

Advanced Analytics | Analytics | Artificial Intelligence
Christos Michas 0
+1 ακόμα must have στην καλοκαιρινή λίστα των διακοπών σας!

Αν θέλετε να «σπάσετε» την καλοκαιρινή μονοτονία🙂 ανάμεσα στις θαλάσσιες βουτιές, το χταποδάκι στην ταβέρνα και την χαλάρωση από το διάβασμα ενός βιβλίου, σας έχω μια καλή πρόταση! Εάν δεν καταφέρατε να είστε ένας από τους χιλιάδες επαγγελματίες στον τομέα των analytics που συμμετείχαν από 56 χώρες και παρακολούθησαν το

Analytics | Data Visualization
0
[SGF시리즈#3] 글로벌위기 세계경제를 바라보는 임원들의 전망

회복이란 무엇일까요? 정상 상태로 돌아가는 것, 잃어버린 것을 되찾는 것, 통제와 안전을 되찾는 것... 평상시로 돌아가는 것은 지금은 힘든 일처럼 느껴지지만 조직의 회복 정도는 지금과 같은 혼란기에 리더가 취하는 조치에 달려 있습니다. 이번 SGF 시리즈에서는 팬데믹 시기의 혼란기를 리더는 어떻게 대응해야 하는지 살펴보고자 이코노미스트와 함께 조사한 ‘글로벌 비즈니스 바로미터(이하, GBB)’

Analytics | Data Visualization | Machine Learning
0
[SGF시리즈#2] 인구이동분석, 접촉자 추적.. 팬데믹 극복을 위한 분석 기술

질병 확산을 억제하고 경제적 영향을 최소화하기 위해서는 인구가 어떻게 이동하는지 분석하고, 지역 내 접촉자를 추적하여 적절한 의사결정을 해야 합니다. 이번 SGF 시리즈에서는 인구 이동 분석과 접촉자 추적 등 SAS 분석 기술이 어떻게 팬데믹 극복을 위한 의사결정을 지원하는지에 대한 SAS 짐굿나잇 회장과 스티브 베넷 글로벌 정부기관 프랙티스 부문 이사의 세션을 소개합니다.

Analytics | Data for Good | Data Visualization
0
코로나19 대시보드가 갖춰야 할 7가지 핵심 데이터

인류가 전례 없는 전투를 치르고 있는 가운데, 우리나라는 코로나19 모범 대응 국가로 큰 주목을 받고 있습니다. 여기서 한발 더 나아가 그 어느 국가보다 앞서 포스트 코로나19 를 준비하고 있습니다. 하지만 코로나19는 끊임없이 존재감을 드러내며 정부와 지자체, 공공기관의 의사결정자들을 당혹스럽게 하고 있습니다. 이 위기를 효과적으로 헤쳐나가고 또 다른 위기를 막기 위해서는

Advanced Analytics | Analytics | Artificial Intelligence | Machine Learning | SAS Events
0
신속한 의사결정을 지원하는 '클라우드 네이티브' 애널리틱스

오늘 6월 17일(미 동부 시간 기준 16일) 온라인으로 개최한 ‘SAS 글로벌 포럼 2020’에서 SAS는 최신 클라우드 기술을 접목해 의사결정 과정을 가속화하는 AI 기반 엔터프라이즈 분석 플랫폼의 최신 버전 ‘SAS 바이야 4(SAS® Viya® 4)’를 공개하고 마이크로소프트와 클라우드 전환 가속화를 위한 전략적 파트너십 체결을 발표했습니다. 클라우드로 전환하는 비즈니스 IT 트렌드에 발 맞추어

Advanced Analytics | Analytics | Artificial Intelligence | Machine Learning | SAS Administrators
Keith Renison 0
Are you ready for true cloud native computing? Meet SAS Viya 4

It’s official: NASA no longer builds spaceships. They’ve outsourced that task. According to NASA administrator Jim Bridenstine, "We're going with commercial partners. NASA is not purchasing, owning and operating the hardware. We're buying the service." Why? Because NASA needs to focus on exploring space, not building the transportation to get

Analytics
0
SAS Visual Forecastingで、セグメンテーション予測を実践し、複雑な需要傾向を持つ時系列予測を簡潔に実現

商品やサービスを販売している企業においては、過剰在庫を防止したり、欠品による機会損失を防止し、収益を最大化するために需要予測が行われています。しかし、実際のビジネスの現場では、需要や売れ行きの傾向が異なる品目が混在するようなケースでは、その予測に多くの手間と時間がかかってしまうなどのいくつかの課題があります。 例えば、通年売れる品目や動きが遅い品目、新規品目、季節に影響を受ける品目などがあり、これらは同じ時系列モデルで処理できるわけではありません。このような課題に対する一つの解決策としては、パターンの近い商品をサブセグメントに小分けし、そのセグメントに応じて予測戦略を適用しわけることで、精度を向上します。つまり、時系列データの特徴を自動に分析して需要のパターンごとにデータを分類し、需要パターンごとに予測作業をすることです。この需要パターンの自動分類と予測については、すでにブログでご紹介しているので、こちら「SAS Viya: ビジュアルパイプラインで需要分類&予測」を参照してください。 一方で、単に時系列データとしての特徴だけではなく、品目の種類や販売地域など、業務的な観点での品目属性によって予測を管理したり、または、属性情報を加えて特徴エンジニアリングし、その特徴量と属性を加味することで精度向上を期待することもあります。そうすると、さらに自由に複雑な属性を持つ大量な時系列データを小分けして精度の高い予測結果が期待できます。つまり、ビジネス的な品目属性に基づいてデータを分割し、業務システムから属性ごとの品目データを抽出、加工処理し、それぞれ別々にモデリングを行うケースです。予測結果の全体像を把握するためには、個別に予測を実施した後、それらの結果を収集し、統合する必要もあります。 しかし、このような、データの分割や再集約には多くの手間がかかりますし、データを管理するための命名ルールなども慎重に行う必要があります。こうした課題を解決し、需要傾向の異なる商品が混在する大量のデータに対して、一つのモデリングプロジェクで最適な需要予測を一括で行うことができたら、便利だと思いませんか? 今回は、このような実際の背景にもとづき、こうした複雑な分析処理を一元的に、手軽に実現できるSAS Visual Forecastingのセグメンテーション予測機能を紹介させていただきます。 SAS Visual Forecastingの機能を活用することで、時系列データを、データの性質(動きが遅い品目、新規品目、季節品目など)に基づき、複数の類似する時系列セグメントに分割することができます。その上で、予測プロジェクト内で各セグメントを個別にモデル化できます。これにより、ユーザーは各セグメントにおける時系列のパターン/特性をより的確にモデル化するためのモデリング戦略の調整を行えるようになりますし、予測結果を全体的に把握することも可能になります。 それでは、一つの具体例を見ながら、Visual Forecastingのセグメンテーションの有用性を実感していきましょう。 今回は、米国でスキンケア商品の販売を手掛ける企業における、需要予測の課題を解決することを想定しています。この企業は、スキンケア商品の時系列売上データに基づき商品セグメントごとに二週間先の売上高を予め把握(予測)しておきたいと考えていました。 まずはスキンケア商品の時系列データを見てみましょう: 上図のように、毎日各倉庫から在庫の各商品を発送して売上高を計上、また店から各商品に行われたプロモーションやキャンペーンなどの情報を収集し、商品時系列データにまとめます。今回は、各倉庫の管理している商品売上高に基づき予測を行います。 上記の情報を表にすると下記の時系列データになります。 商品は「ProductKey」、販売倉庫は「DistributionCenter」、販売時間の時系列データは「DATE」、販売に影響する変数として割引率の「Discount」。最後に、予測目標の売上高は「Revenue」になります。 この販売トランザクション情報に、商品マスターの属性情報を加味します。 商品マスターの属性情報というのは、上図のような販売チャンネルや商品カテゴリーなどの商品が販売プロセスにおける各種補足情報のことです。例えば、販売量の高い商品はどの販売チャンネルから売れたか、どの商品カテゴリーのものか、これらの情報は商品の販売曲線の可視化にも使えるし、精確な予測にも不可欠であり、将来の販売推進方針にも繋げます。 一つの具体属性データサンプルを見ます。 商品のカテゴリーが「ProductCategory」、商品名は「ProductName」、商品の販売チャンネルが「ProductType」です。そして、商品セグメントが「_seg_」になります。セグメントという項目を少し紹介します。例えば、小売業界にとって通年売れる商品や季節限定の商品などが必ず存在すると思います。しかし、小売業者にとって、具体的に自社商品の中でどのようなものが通年売れる商品なのか、どのようなものが特別な時間にしか売れないのか、その商品を担当する担当者しか把握きません。長年にわたり、商品ごとに「通年売れる商品」や「夏限定商品」、「クリスマス商品」、「新規開発の商品」などの特徴を明白なビジネスノウハウにし、需要予測にも使いたいと考えています。このような情報を商品セグメントと称し、セグメントごと明らかに時系列特徴もはっきり分かれています。 最後に、下図のように、時系列データと属性データを結合させ、予測モデルに利用するマスターデータの準備が完成です。 今回はSAS Visual Forecastingを活用することで、時系列データを、データのセグメント属性(通年販売品目、新規品目、季節品目など)に基づき、複数の類似する時系列セグメントに分割し、精確な予測を実現することを目的としています。それを実現するため、本来であれば、各商品セグメントのマスターデータをそれぞれ抽出してモデル開発と予測を実施する必要があります。例えば、通年売れる商品に関しては従来通りにARIMAモデルで予測し、一方で、新たに開発し、販売後間もない新規開発の商品に関してはニューラルネットワークでのモデリングを適用したい場合があります。しかし、現在商品セグメントが多数もあり、データの前準備にも手間がかかります。 SAS Visual Forecastingのセグメンテーション予測機能を利用すれば、データの分割をせずすべての商品カテゴリーのデータを含むマスターデータで簡潔かつ精確にモデリングを行えます。     ここまでは今回のセグメンテーション予測イメージの説明になります。これからは実際にSAS Visual Forecastingで操作する様子を体験していきます。 まずは、Visual Forecastingのプロジェクトを一つ立ち上げます。プロジェクト名をセグメンテーション予測にして、テンプレートに外部セグメンテーションを選びます。データは先ほど説明したスキンケア商品の時系列データ「SKINPRODUCT」を選択します。 次はプロジェクトデータ設定画面で、予測用の時系列データの各列に役割を指定します。 例えば、以下のように役割を割り当てます 「時間」:「DATE」列(日付) 「独立変数」:「Discount」(値引額) 「従属変数」(ターゲット変数):「Revenue」(売上高) By変数というのは、時系列データをグループにまとめる単位を指しています。 そしてデータソースとして時系列データの属性情報を持っているマスター表「SKINPRODUCT_ATT_SEG」も追加します。この表を追加したことによって、さらに細かいグループベースで予測することができます。 この表には予めセグメンテーシ予測用に作成しておいた「_seg_」列が含まれます。中身は商品セグメント名で、計7セグメントが入っています。例えば、「Long term - All year goods」(通年販売商品)、「Long

1 2 3 9