SAS® Unified Insights MM Features

Market-leading data mining & machine learning

  • Provides GUI-based data mining and machine learning via a single, collaborative and highly scalable environment.
  • Provides open source integration with R, Python, Java and Lua models.
  • Lets you use model competition to identify and deploy the most effective model.

View more market-leading data mining & machine learning features

Interactive programming in a web-based development environment

  • Visual interface for the entire analytical life cycle process.
  • Drag-and-drop interactive interface requires no coding, though coding is an option.
  • Supports automated code creation at each node in the pipeline.
  • Best practice templates (basic, intermediate or advanced) help users get started quickly with machine learning tasks.
  • Interpretability reports.
  • Explore data from within Model Studio and launch directly into SAS Visual Analytics.
  • Edit models imported from SAS Visual Analytics in Model Studio.
  • View data within each node in Model Studio.
  • Run SAS® Enterprise Miner 14.3 batch code within Model Studio.
  • Provides a collaborative environment for easy sharing of data, code snippets, annotations and best practices among different personas.
  • Create, manage and share content and administer content permissions via SAS Drive.
  • The SAS lineage viewer visually displays the relationships between decisions, models, data and decisions.

Embedded support for Python and R languages

  • Embed open source code within an analysis, and call open source algorithms within Model Studio.
  • The Open Source Code node in Model Studio is agnostic to Python or R versions.

Deep Learning with Python (DLPy)

  • Build deep learning models for image, text, audio and time-series data using Jupyter Notebook.
  • High level APIs are available on GitHub for:
    • Deep neural networks for tabular data.
    • Image classification and regression.
    • Object detection.
    • RNN-based tasks – text classification, text generation and sequence labeling.
    • RNN-based time-series processing and modeling.
  • Support for predefined network architectures, such as LeNet, VGG, ResNet, DenseNet, Darknet, Inception and YOLOv2 and Tiny YOLO.
  • Import and export deep learning models in the ONNX format.

SAS® procedures (PROCs) and CAS actions

  • A programming interface (SAS Studio) allows IT or developers to access a CAS server, load and save data directly from a CAS server, and support local and remote processing on a CAS server.
  • Python, Java, R, Lua and Scala programmers or IT staff can access data and perform basic data manipulation against a CAS server, or execute CAS actions using PROC CAS.
  • CAS actions support for interpretability, feature engineering and modeling.
  • Integrate and add the power of SAS to other applications using REST APIs.

Highly scalable, distributed in-memory analytical processing

  • Distributed, in-memory processing of complex analytical calculations on large data sets provides low-latency answers.
  • Analytical tasks are chained together as a single, in-memory job without having to reload the data or write out intermediate results to disks.
  • Concurrent access to the same data in memory by many users improves efficiency.
  • Data and intermediate results are held in memory as long as required, reducing latency.
  • Built-in workload management ensures efficient use of compute resources.
  • Built-in failover management guarantees submitted jobs always finish.
  • Automated I/O disk spillover for improved memory management.

Model development with modern machine learning algorithms

  • Decision forests:
    • Automated ensemble of decision trees to predict a single target.
    • Automated distribution of independent training runs.
    • Supports intelligent autotuning of model parameters.
    • Automated generation of SAS code for production scoring. 
  • Gradient boosting:
    • Automated iterative search for optimal partition of the data in relation to selected label variable.
    • Automated resampling of input data several times with adjusted weights based on residuals.
    • Automated generation of weighted average for final supervised model.
    • Supports binary, nominal and interval labels.
    • Ability to customize tree training with variety of options for numbers of trees to grow, splitting criteria to apply, depth of subtrees and compute resources. 
    • Automated stopping criteria based on validation data scoring to avoid overfitting.
    • Automated generation of SAS code for production scoring.
  • Neural networks:
    • Automated intelligent tuning of parameter set to identify optimal model.
    • Supports modeling of count data.
    • Intelligent defaults for most neural network parameters.
    • Ability to customize neural networks architecture and weights.
    • Techniques include deep forward neural network (DNN), convolutional neural networks (CNNs), recurrent neural networks (RNNs) and autoencoders.
    • Ability to use an arbitrary number of hidden layers to support deep learning.
    • Support for different types of layers, such as convolution and pooling.
    • Automatic standardization of input and target variables.
    • Automatic selection and use of a validation data subset.
    • Automatic out-of-bag validation for early stopping to avoid overfitting.
    • Supports intelligent autotuning of model parameters.
    • Automated generation of SAS code for production scoring.
  • Support vector machines:
    • Models binary target labels.
    • Supports linear and polynomial kernels for model training.
    • Ability to include continuous and categorical in/out features.
    • Automated scaling of input features.
    • Ability to apply the interior-point method and the active-set method.
    • Supports data partition for model validation.
    • Supports cross-validation for penalty selection.
    • Automated generation of SAS code for production scoring.
  • Factorization machines:
    • Supports the development of recommender systems based on sparse matrices of user IDs and item ratings.
    • Ability to apply full pairwise-interaction tensor factorization.
    • Includes additional categorical and numerical input features for more accurate models.
    • Supercharge models with timestamps, demographic data and context information.
    • Supports warm restart (update models with new transactions without full retraining).
    • Automated generation of SAS score code for production scoring.
  • Bayesian networks:
    • Learns different Bayesian network structures, including naive, tree-augmented naive (TAN), Bayesian network-augmented naive (BAN), parent-child Bayesian networks and Markov blanket.
    • Performs efficient variable selection through independence tests.
    • Selects the best model automatically from specified parameters.
    • Generates SAS code or an analytics store to score data.
    • Loads data from multiple nodes and performs computations in parallel.
  • Dirichlet Gaussian mixture models (GMM):
    • Can execute clustering in parallel and is highly multithreaded.
    • Performs soft clustering, which provides not only the predicted cluster score but also the probability distribution over the clusters for each observation.
    • Learns the best number of clusters during the clustering process, which is supported by the Dirichlet process.
    • Uses a parallel variational Bayes (VB) method as the model inference method. This method approximates the (intractable) posterior distribution and then iteratively updates the model parameters until it reaches convergence.
  • Semisupervised learning algorithm:
    • Highly distributed and multithreaded.
    • Returns the predicted labels for both the unlabeled data table and the labeled data table.
  • T-distributed stochastic neighbor embedding (t-SNE):
    • Highly distributed and multithreaded.
    • Returns low-dimensional embeddings that are based on a parallel implementation of the t-SNE algorithm.

Analytical data preparation

  • Feature engineering best practice pipeline includes best transformations.
  • Distributed data management routines provided via a visual front end.
  • Large-scale data exploration and summarization.
  • Cardinality profiling:
    • Large-scale data profiling of input data sources.
    • Intelligent recommendation for variable measurement and role.
  • Sampling: 
    • Supports random and stratified sampling, oversampling for rare events and indicator variables for sampled records.

Data exploration, feature engineering and dimension reduction

  • T-distributed stochastic neighbor embedding (t-SNE).
  • Feature binning.
  • High-performance imputation of missing values in features with user-specified values, mean, pseudo median and random value of nonmissing values.
  • Feature dimension reduction.
  • Large-scale principal components analysis (PCA), including moving windows and robust PCA.
  • Unsupervised learning with cluster analysis and mixed variable clustering.
  • Segment profiles for clustering.

Integrated text analytics

  • Supports 33 native languages out of the box:
    • English
    • Arabic
    • Chinese
    • Croatian
    • Czech
    • Danish
    • Dutch
    • Farsi
    • Finnish
    • French
    • German
    • Greek
    • Hebrew
    • Hindi
    • Hungarian
    • Indonesian
    • Italian
    • Japanese
    • Kazakh
    • Korean
    • Norwegian
    • Polish
    • Portuguese
    • Romanian
    • Russian
    • Slovak
    • Slovenian
    • Spanish
    • Swedish
    • Tagalog
    • Turkish
    • Thai
    • Vietnamese
  • Stop lists are automatically included and applied for all languages.
  • Automated parsing, tokenization, part-of-speech tagging and lemmatization.
  • Predefined concepts extract common entities such as names, dates, currency values, measurements, people, places and more.
  • Automated feature extraction with machine-generated topics (singular value decomposition and latent Dirichlet allocation).
  • Supports machine learning and rules-based approaches within a single project.
  • Automatic rule generation with the BoolRule.
  • Classify documents more accurately with deep learning (recurrent neural networks).

Model assessment

  • Automatically calculates supervised learning model performance statistics.
  • Produces output statistics for interval and categorical targets.
  • Creates lift table for interval and categorical target.
  • Creates ROC table for categorical target.
  • Creates Event Classification and Nominal Classification charts for supervised learning models with a class target.

Model scoring

  • Automatically generates SAS DATA step code for model scoring.
  • Applies scoring logic to training, holdout data and new data.

SAS® Viya® in-memory engine

  • CAS (SAS Cloud Analytic Services) performs processing in memory and distributes processing across nodes in a cluster.
  • User requests (expressed in a procedural language) are translated into actions with the parameters needed to process in a distributed environment. The result set and messages are passed back to the procedure for further action by the user.
  • Data is managed in blocks and can be loaded in memory and on demand.
  • If tables exceed memory capacity, the server caches the blocks on disk. Data and intermediate results are held in memory as long as required, across jobs and user boundaries.
  • Includes highly efficient node-to-node communication. An algorithm determines the optimal number of nodes for a given job.
  • Communication layer supports fault tolerance and lets you remove or add nodes from a server while it is running. All components can be replicated for high availability.
  • Support for legacy SAS code and direct interoperability with SAS 9.4M6 clients.
  • Supports multitenancy deployment, allowing for a shared software stack to support isolated tenants in a secure manner.

Deployment options

  • On-site deployments:
    • Single-machine server to support the needs of small to midsize organizations.
    • Distributed server to meet growing data, increasing workloads and scalability requirements.
  • Cloud deployments:
    • Enterprise hosting.
    • Private or public cloud (e.g., BYOL in Amazon) infrastructure.
    • SAS managed software as a service (SaaS).
    • Cloud Foundry platform as a service (PaaS) to support multiple cloud providers.

Streamlined model deployment

  • Streamlines the process of creating, managing, administering, deploying and monitoring your analytical models.
  • Provides a framework for model registration, validation, monitoring and retraining.
  • Enables you to assess candidate models to identify and publish the champion model.
  • Ensures complete auditability and regulatory compliance.

View more streamlined model deployment features

Accessible, web-based, centralized and secure repository for managing analytical models

  • Access all models in the model repository – whether they’re located in a folder or project.
  • Access models and model-score artifacts using open REST APIs.
  • Support for SAS model registration from SAS Visual Analytics, SAS Visual Statistics, SAS Studio, and Model Studio for SAS Visual Text Analytics and SAS Visual Data Mining and Machine Learning.
  • Set up, maintain and manage separate versions for models:
    • Champion model is automatically defined as a new version when the model is set as champion, updated or published in a project.
    • Only one champion model is produced per project. New versions are automatically created when new model projects are registered from the Model Studio environment in SAS Visual Data Mining and Machine Learning and SAS Visual Text Analytics.
    • Choose challenger models to the project champion model.
    • Monitor and publish challenger and champion models.
    • Integration of champion models with SAS Event Stream Processing, including automated notifications when model project champion is updated.
  • Monitor performance of champion models for all projects using performance report definition and execution.
  • Publish SAS models to SAS Cloud Analytic Services (CAS), Hadoop, SAS Micro Analytic Service or Teradata.
  • Python code publishing support for SAS Micro Analytic Service execution target.
  • Provides accounting and auditability, including event logging of major actions, including model creation, project creation and versioning.
  • Add general properties as columns to the listing for models and projects, such as model name, role, type of algorithm, date modified, modified by, repository location, description, version and keywords (tags).
  • Import models from the SAS Platform, including training code, score logic, estimate tables, target and input variables and output variables, using SAS package files (.SPK), PMML and ZIP format files.
  • Export models as .ZIP format, including all model file contents for movement across environments.
  • Easily copy models from one project to another, simplifying model movement within the repository.
  • Import code snippets/models from any code base (C, C++, Java, Python, etc.) into the managed inventory.
  • Create DATA step score code for PMML models on import for inclusion in scoring tasks, reporting and performance monitoring.
  • Model repository can be searched, queried, sorted and filtered by attributes used to store models – such as type of asset, algorithm, input or target variables, model ID, etc. – as well as user-defined properties and editable keywords.
  • Register, compare, report, score and monitor models built in R or Python (classification and prediction).
  • Compare two or more models using automatically calculated model fit statistics to easily understand model differences through plots and analytical metrics.
  • Provides secure, reliable model storage and access administration, including backup and restore capabilities, overwrite protection, event logging and user authentication.

Analytical workflow management

  • Create custom processes for each model using SAS Workflow Studio:
    • The workflow manager is fully integrated with SAS Model Manager so you can manage workflows and track workflow tasks within the same user interface.
    • Import, update and export generic models at the folder level – and duplicate or move to another folder.
  • Provides collaboration across teams with automated notifications.
  • Perform common model management tasks such as importing, viewing and attaching supporting documentation; setting a project champion model and flagging challenger models; publishing models for scoring purposes; and viewing dashboard reports.

Scoring logic validation before models are exported to production

  • Define test and production score jobs for SAS and Python models using required inputs and outputs.
  • Define and execute scoring tasks, and specify where to save the output and job history.
  • Publish model updates to different scoring channels and notify subscribers via message queues.
  • Create model input and output variables from the score.sas file to generate missing metadata from model variables.
  • Integration with SAS Scoring Accelerator for in-database model deployment.
  • Integration with SAS Micro Analytic Service – for SAS and Python code testing and result validation.

Model performance monitoring and reporting during test and production

  • Integrated retraining for data mining and machine learning models using Model Studio: 
    • Retrain data mining and machine learning models when performance reporting threshold metrics are reached.
    • Automated, configured registration after model retraining is completed from Model Studio. No need to import separately.
  • Model performance reports produced for champion and challenger models include variable distribution plots, lift charts, stability charts, ROC, K-S and Gini reports with SAS Visual Analytics using performance-reporting output result sets.
  • SAS Visual Analytics provides a wide range of model comparison reports.
  • Performance results are prepared and made available to SAS Visual Analytics for simplified access to a wide range of model comparison reports.
  • Ability to specify multiple data sources and time-collection periods when defining performance-monitoring tasks.

Distributed, accessible and cloud-ready

  • Runs on SAS Viya, a scalable and distributed in-memory engine of the SAS Platform.
  • Distributes analysis and data tasks across multiple computing nodes.
  • Provides fast, concurrent, multiuser access to data in memory.
  • Includes fault tolerance for high availability.
  • Lets you add the power of SAS Analytics to other applications using RESTful APIs. 

Self-service data preparation

  • Provides an interactive, self-service environment for data access, blending, shaping and cleansing to prepare data for analytics and reporting.
  • Fully integrates with your analytics pipeline.
  • Includes data lineage and automation.

View more self-service data preparation features

Data and metadata access

  • Use any authorized internal source, accessible external data sources and data held in-memory in SAS Viya.
    • View a sample of a table or file loaded in the in-memory engine of SAS Viya, or from data sources registered with SAS/ACCESS, to visualize the data you want to work with.
    • Quickly create connections to and between external data sources.
    • Access physical metadata information like column names, data types, encoding, column count and row count to gain further insight into the data.
  • Data sources and types include:
    • Amazon S3.
    • Amazon Redshift.
    • DNFS, HDFS, PATH-based files (CSV, SAS, Excel, delimited).
    • DB2.
    • Hive.
    • Impala.
    • SAS® LASR.
    • ODBC.
    • Oracle.
    • Postgres.
    • Teradata.
    • Feeds from Twitter, YouTube, Facebook, Google Analytics, Google Drive, Esri and local files.
    • SAS® Cloud Analytic Services (CAS).

Data provisioning

  • Parallel load data from desired data sources into memory simply by selecting them – no need to write code or have experience with an ETL tool. (Data cannot be sent back to the following data sources: Twitter, YouTube, Facebook, Google Analytics, Esri; it can only be sourced form these sites).
    • Reduce the amount of data being copied by performing row filtering or column filtering before the data is provisioned.
    • Retain big data in situ, and push processing to the source system by including SAS In-Database optional add-ons.

    Guided, interactive data preparation

    • Transform, blend, shape, cleanse and standardize data in an interactive, visual environment that guides you through data preparation processes.
    • Easily understand how a transformation affected results, getting visual feedback in near-real-time through the distributed, in-memory processing of SAS Viya.

    Column-based transformations

    • Use column-based transformations to standardize, remediate and shape data without doing configurations. You can:
      • Change case.
      • Convert column.
      • Rename.
      • Remove.
      • Split.
      • Trim whitespace.
      • Custom calculation.
    • Support for wide tables allows for the saving of data plans for quick data preparation jobs.

    Row-based transformations

    • Use row-based transformations to filter and shape data.
    • Create analytical-based tables using the transpose transformation to prepare the data for analytics and reporting tasks.
    • Create simple or complex filters to remove unnecessary data.

    Code-based transformations

    • Write custom code to transform, shape, blend, remediate and standardize data.
    • Write simple expressions to create calculated columns, write advanced code or reuse code snippets for greater transformational flexibility.
    • Import custom code defined by others, sharing best practices and collaborative productivity.

    Multiple-input-based transformations

    • Use multiple-input-based transformations to blend and shape data.
    • Blend or shape one or more sets of data together using the guided interface – there’s no requirement to know SQL or SAS. You can:
      • Append data.
      • Join data.
      • Transpose data.

    Data profiling

    • Profile data to generate column-based and table-based basic and advanced profile metrics.
    • Use the table-level profile metrics to uncover data quality issues and get further insight into the data itself.
    • Drill into each column for column-level profile metrics and to see visual graphs of pattern distribution and frequency distribution results that help uncover hidden insights.
    • Use a variety of data types/sources (listed previously). To profile data from Twitter, Facebook, Google Analytics or YouTube, you must first explicitly import the data into the SAS Viya in-memory environment.

    Data quality processing

    (SAS® Data Quality on SAS® Viya® is included in SAS Data Preparation)

    Data cleansing

    • Use locale- and context-specific parsing and field extraction definitions to reshape data and uncover additional insights.
    • Use the extraction transformation to identify and extract contact information (e.g., name, gender, field, pattern, identify, email and phone number) in a specified column.
    • Use parsing when data in a specified column needs to be tokenized into substrings (e.g., a full name tokenized into prefix, given name, middle name and family name).
    • Derive unique identifiers from match codes that link disparate data sources.
    • Standardize data with locale- and context-specific definitions to transform data into a common format, like casing.

    Identity definition

    • Analyze column data using locale-specific rules to determine gender or context.
    • Use identification analysis to analyze the data and determine its context, which is particularly valuable if the data or source of data is unfamiliar.
    • Use gender analysis to determine the gender of a name using locale-specific rules so the data can be easily filtered or segmented.
    • Create a unique ID for each row with unique ID generator.
    • Identify the subject data in each column with identification analysis.
    • Identify, find and sort data by tagging data with columns and tables.

    Data matching

    • Determine matching records based upon locale- and context-specific definitions.
    • Easily identify matching records using more than 25 context-specific rules such as date, address, name, email, etc.
    • Use the results of the match code transformation to remove duplicates, perform a fuzzy search or a fuzzy join.
    • Find like records and logically group together.

    System and job monitoring

    • Use integrated monitoring capabilities for system- and job-level processes.
    • Gain insight into how many processes are running, how long they’re taking and who is running them.
    • Easily filter through all system jobs based on job status (running, successful, failed, pending and cancelled).
    • Access job error logs to help with root-cause analysis and troubleshooting. (Note: Monitoring is available using SAS Environment Manager and the job monitor application.)

    Data import and data preparation job scheduling

    • Create a data import job from automatically generated code to perform a data refresh using the integrated scheduler.
    • Schedule data explorer imports as jobs so they will become an automatic, repeatable process.
    • Specify a time, date, frequency and/or interval for the jobs.

    Data lineage

    • Explore relationships between accessible data sources, data objects and jobs.
    • Use the relationship graph to visually show the relationships that exist between objects, making it easier to understand the origin of data and trace its processing.
    • Create multiple views with different tabs, and save the organization of those views.

    Plan templates and project collaboration

    • Use data preparation plans (templates), which consist of a set of transformation rules that get applied to one or more sources of data, to improve productivity (spend less time preparing data).
    • Reuse the templates by applying them to different sets of data to ensure that data is transformed consistently to adhere to enterprise data standards and policies.
    • Rely on team-based collaboration through a project hub used with SAS Viya projects. The project’s activity feed shows who did what and when, and can be used to communicate with other team members.

    Batch text analysis

    • Quickly extract contents of documents, and perform text identification and extraction.

    Cloud data exchange

    • Securely copy data from on-site repositories to a cloud-based SAS Viya instance running in a private or public cloud for use in SAS Viya applications – as well as sending data back to on-site locations.
    • Preprocess data locally, which reduces the amount of data that needs to be moved to remote locations.
    • Use a Command Line Input (CLI) interface for administration and control.
    • Securely and responsibly negotiates your on-site firewall.  

    Visual data exploration & insights development

    • Provides bi-modal support for both governed and self-service exploration and visualization.
    • Enables self-service discovery, reporting and analysis.
    • Provides access to easy-to-use predictive analytics with “smart algorithms.”
    • Enables report sharing via email, web browser, MS Office or mobile devices.
    • Provides centralized, web-based administration, monitoring and governance of platform.

    View more visual data exploration & insights development features

    Samodzielne odkrywanie danych

    • Interaktywne odkrywanie danych pozwala użytkownikom biznesowym i analitykom na łatwe identyfikowanie relacji, trendów, obserwacji skrajnych itp.
    • Funkcja automatycznego tworzenia wykresów automatycznie wybiera wykres najlepiej dopasowany do prezentacji określonych danych.
    • Wizualizacje analityczne obejmują wykresy pudełkowe, mapy ciepła, diagramy sieciowe, macierze korelacji, wykresy liniowe z prognozowaniem, drzewa decyzyjne itd.
    • Mapa geograficzna pozwala na szybkie zrozumienie danych geoprzestrzennych.
    • Kartogramy ułatwiają wizualizację różnic pomiarów między poszczególnymi obszarami geograficznymi.
    • Diagramy sieciowe pozwalają przedstawić sieci na tle mapy.
    • Każda wizualizacja może być opublikowana jako obiekt raportu.
    • Zindywidualizowane kalkulacje pozwalają łączyć funkcje, operatory i istniejące dane w celu formułowania wartości specyficznych dla potrzeb użytkownika.
    • Pasek ogólnego widoku o zmiennej wielkości pozwala na interaktywne tworzenie podzbiorów elementów wizualnych z wieloma punktami danych.
    • Obiekty pulpitu mogą być łączone z obiektami odkrycia w celu uzyskania interakcji między nimi.

    Samoobsługowa analityka

    • Użytkownik może samodzielnie tworzyć struktury hierarchiczne z możliwością analizowania coraz niższych poziomów, bez konieczności predefiniowania ścieżek użytkownika.
    • Statystyki opisowe - takie jak minimum, maksimum i średnia - stanowią ogólną charakterystykę danej miary.
    • Użytkownicy mogą tworzyć nowe obliczane miary i dodawać je do dowolnego widoku.
    • Możliwe jest doraźne generowanie prognoz z przedziałami ufności.
    • Szczegóły pomiaru pozwalają szybko zrozumieć analizowane dane.
    • Najodpowiedniejszy algorytm prognozowania dla konkretnych danych jest wybierany automatycznie.
    • Analiza scenariuszy pozwala sprawdzić, jak modyfikacja poszczególnych zmiennych wpływa na prognozę.
    • Poszukiwanie celów pozwala określić docelową wartość prognozy, a następnie ustalić wartość czynników, które byłyby wymagane, aby osiągnąć daną docelową wartość.
    • Drzewa decyzyjne graficznie opisują prawdopodobne efekty. Na poziomie eksperckim można modyfikować określone parametry, wywierające wpływ przy generowaniu drzewa.
    • Zindywidualizowane binowanie przenosi dane ciągłe do małej liczby grup w celu lepszej interpretacji i prezentacji wyników.
    • Funkcje analizy tekstu pozwalają na automatyczne wyszukiwanie tematów oraz zrozumienie sentymentów w komentarzach na Facebooku, Twitterze i na YouTube.

    Interaktywne raporty i pulpity

    • Precyzyjne i elastyczne możliwości kształtowania układu pozwalają na swobodę projektowania formatu i wyglądu raportu. Można także układać poszczególne pozycje na przykład w serie lub grupy.
    • Wystarczy raz zbudować pulpit, a będzie on prezentował się dobrze na każdym urządzeniu.
    • Możliwość wprowadzenia filtrów, ustawienia domyślnych wyborów lub metod grupowania oraz pomijania domyślnego formatowania - tak aby użytkownicy raportu mogli zobaczyć w nim najistotniejsze dla nich informacje.
    • Umieszczanie w raporcie treści z Internetu (np. filmów z YouTube) i grafiki (np. logo).
    • Współpraca z innymi użytkownikami z wykorzystaniem urządzeń mobilnych i Internetu, w tym dodawanie komentarzy do raportu.
    • Synchronizacja wyborów i filtrów we wszystkich wizualizacjach raportu lub pulpitu.
    • Łączenie różnych raportów - np. raportu dotyczącego sprzedaży z raportem dotyczącym zapasów.
    • Bezpieczne rozsyłanie raportów w formacie PDF.
    • Elementy sterowania z podpowiedziami umożliwiają autorom i użytkownikom raportów lepszą interakcję z ich treścią.
    • Użytkownicy biznesowi mogą łatwiej współpracować ze sobą, udostępniając sobie raporty i wizualizacje przez aplikacje Microsoft Office: Outlook, PowerPoint, Word i Excel.

    Aplikacja mobilna

    • Obsługa natywnych systemów iOS, Windows 10 i Android w tabletach, w tym natywnych gestów i funkcji, takich jak powiększanie i zoom, przesuwanie itp., zapewniająca wszechstronność i swobodę użytkowania.
    • Raz utworzony raport można przeglądać w dowolnym miejscu.
    • Bezpieczny dostęp do treści na urządzeniach mobilnych, zarówno online, jak i offline.
    • Obsługa funkcji współpracy, w tym adnotacji, komentarzy, udostępniania i wysyłania raportów e-mailem.
    • Możliwość zapisywania zrzutów ekranu i udostępniania komentarzy innym użytkownikom.
    • Powiadomienia informują użytkowników biznesowych o aktualizacji raportu, zmianie danych lub pojawieniu się nowej wersji aplikacji.
    • Współpraca z zewnętrznymi dostawcami MDM, takimi jak Good Technologies, MobileIron i AirWatch.

    Analiza lokalizacji

    • Korzystanie z map geograficznych jest możliwe za pośrednictwem Esri ArcGIS Online lub OpenStreetMap.
    • Można również wskazywać punkty danych na mapach geograficznych w celu wybrania konkretnych danych do dalszej analizy.
    • Dostęp do wszystkich map bazowych Esri i geowyszukiwania jest możliwy przez Esri ArcGIS Online bez dodatkowych opłat.
    • Analiza czasu i odległości dojazdu jest dostępna na podstawie specjalnej licencji Esri ArcGIS Online (do kupienia osobno od Esri).

    Samodzielne przygotowywanie danych

    • Import danych (w tym arkuszy kalkulacyjnych, danych ze schowka) do przestrzeni roboczej raportu metodą „przeciągnij i upuść”.
    • Podgląd danych przed ich zaimportowaniem.
    • Nowe profile tabel i kolumn pomagają w szybkim zrozumieniu danych.
    • Połączenia oznaczone kolorami.
    • Łatwe transformacje kolumn prawym przyciskiem myszy.

    Administracja i zarządzanie

    • Łatwa w obsłudze, oparta na stronie www scentralizowana administracja i monitorowanie środowiska BI i analityki, w tym użytkowników, danych, treści, serwerów, usług i zabezpieczeń.
    • Uwierzytelnianie użytkowników i nadzór nad autoryzacją treści.
    • Nadzór nad zapewnieniem bezpieczeństwa na poziomie obiektów (foldery, raporty itd.) oraz bezpieczeństwa danych (na poziomie tabeli i wiersza).
    • Sprawna integracja z katalogami identyfikacji korporacyjnej, takimi jak LDAP.
    • Funkcje aplikacji do mapowania reguł do nadzoru obsługi użytkowników i grup.
    • Białe i czarne listy urządzeń mobilnych w celu określania autoryzacji dostępu do SAS Mobile BI.
    • Pulpit w czasie prawie rzeczywistym do monitorowania kondycji systemu i głównych akcji.
    • Dodawanie i usuwanie węzłów przetwarzania rozproszonego.
    • Skryptowalne API wykonują zadania administracyjne w partiach, w tym zarządzanie bezpieczeństwem, bibliotekami, grupami użytkowników i konfiguracjami.

    Platforma in memory SAS® Viya

    • Mechanizm Cloud Analytic Services (CAS) realizuje przetwarzanie in memory i rozprasza je po węzłach w klastrze.
    • Żądania użytkowników (wyrażone w języku proceduralnym) są tłumaczone na działania z parametrami wymaganymi do przetwarzania w środowisku rozproszonym. Zbiór wyników i komunikaty są przekazywane z powrotem do procedury, aby użytkownik mógł na nich prowadzić dalsze działania.
    • Dane są zarządzane w blokach i mogą być załadowane do pamięci na żądanie.
    • Jeżeli tabele przekraczają pojemność pamięci, serwer zapisuje bloki na dysku. Dane i wyniki pośrednie są przechowywane w pamięci tak długo, jak są potrzebne, dla wszystkich zadań i użytkowników.
    • Wysoce efektywna komunikacja między węzłami. Algorytm określa optymalną liczbę węzłów dla danego zadania.
    • Warstwa komunikacyjna toleruje błędy.
    • Warstwa komunikacyjna pozwala usuwać lub dodawać węzły na serwerze w czasie jego pracy.

    Procedury SAS® (PROC) i akcje CAS

    • Opcja interfejsu programistycznego (SAS Studio) umożliwia informatykom lub deweloperom uzyskanie dostępu do serwera CAS, wczytywanie i zapisywanie danych bezpośrednio z serwera CAS, obsługę lokalnego i zdalnego przetwarzania na serwerze CAS, wpisywanie zapytań sfederowanych, wykonywanie podstawowej obróbki danych itp.
    • Programiści Python, Java lub Lua oraz informatycy mogą uzyskiwać dostęp do danych i wykonywać ich podstawową obróbkę danych na serwerze CAS; programiści mogą też wykonywać działania CAS z wykorzystaniem PROC CAS.
    • Dzięki API REST SAS Viya można także dodawać funkcje SAS do innych aplikacji.

    Opcje instalowania i wdrażania

    • Instalacje stacjonarne:
      • Serwer jednomaszynowy do zaspokajania potrzeb małej lub średniej firmy.
      • Rozproszone serwery, uwzględniające potrzeby wynikające z rosnącej ilości danych, coraz większego obciążenia i skalowalności.
    • Możliwość zainstalowania oprogramowania w chmurze:
      • Hosting dla przedsiębiorstw; infrastruktura prywatnej lub publicznej chmury (np. BYOL w Amazon).

    Descriptive & predictive modeling

    • Explore and evaluate segments for further analysis using k-means clustering, scatter plots and detailed summary statistics.
    • Use machine learning techniques to build predictive models from a visual or programming interface.

    View more descriptive & predictive modeling features

    Wizualna eksploracja i odkrywanie danych (dostępne przez SAS® Visual Analytics)

    • Regresja liniowa: szybka interpretacja złożonych powiązań lub kluczowych zmiennych, wpływających na wyniki modelowania w obrębie wielkich zbiorów danych.
    • Filtrowanie obserwacji i ustalanie poziomu wpływu zmiennej na ogólny lift modelu.
    • Wykrywanie obserwacji skrajnych i/lub punktów wpływu jako ułatwienia w ich wyznaczaniu, typowaniu lub usuwaniu z dalszej analizy (np. z modeli).
    • Eksploracja danych z wykorzystaniem wykresów słupkowych, histogramów, wykresów pudełkowych, map ciepła, wykresów bąbelkowych, map geograficznych itd.
    • Wyprowadzanie predyktywnych danych wyjściowych lub segmentacji, które można wykorzystać bezpośrednio w innych zadaniach związanych z modelowaniem lub wizualizacją. Wyniki można zapisać i przekazać osobom, które nie zajmują się budowaniem modeli ani nie potrafią tego robić.

    Dostęp do technik analitycznych przez interfejs wizualny

    • Klasteryzacja
      • Klasteryzacja k-średnich.
      • Równoległe wykresy współrzędnych do interaktywnej oceny przynależności do klastrów.
      • Wykresy punktowe danych wejściowych z nałożonymi profilami klastrów dla małych zbiorów danych i mapy ciepła z nałożonymi profilami klastrów dla dużych zbiorów danych. Szczegółowe statystyki agregacyjne (średnie poszczególnych klastrów, liczba obserwacji w każdym klastrze itd.).
      • Generowanie ID klastra na żądanie jako nowej kolumny.
      • Obsługa danych wstrzymania (uczenie i walidacja) na potrzeby oceny modelu.
    • Drzewa decyzyjne:
      • Obliczanie miar ważności zmiennych.
      • Obsługa drzew klasyfikacyjnych i regresyjnych.
      • Oparte na zmodyfikowanym algorytmie C4.5 lub przycinaniu koszt-złożoność.
      • Interaktywne tworzenie i przycinanie drzewa. Interaktywne uczenie poddrzewa.
      • Ustalanie głębokości drzewa, maksymalnych gałęzi, rozmiaru liści, agresywności przycinania itd.
      • Wykorzystanie map drzew do interaktywnej nawigacji w strukturze drzewa.
      • Generowanie ID liścia na żądanie jako nowej kolumny.
      • Obsługa danych wstrzymania (uczenie i walidacja) na potrzeby oceny modelu.
    • Regresja liniowa:
      • Statystyki wpływu.
      • Wybór zmiennych.
      • Częstość i waga zmiennych.
      • Diagnostyka reszt.
      • Tabela agregująca obejmująca ogólną ANOVA, wymiary modelu, statystyki dopasowania ANOVA modelu, test błędu typu trzeciego i estymację parametrów.
      • Generowanie prognozowanych wartości i reszt na żądanie jako nowych kolumn.
      • Obsługa danych wstrzymania (uczenie i walidacja) na potrzeby oceny modelu.
    • Regresja logistyczna:
      • Modele danych binarnych z funkcjami łączącymi logit i probit.
      • Statystyki wpływu.
      • Wybór zmiennych.
      • Częstość i waga zmiennych.
      • Diagnostyka reszt.
      • Tabela agregacyjna obejmująca wymiary modelu, historię iteracji, statystyki dopasowania, status konwergencji, testy błędu typu trzeciego, estymację parametrów i profil odpowiedzi.
      • Generowanie prognozowanych etykiet i prognozowanych prawdopodobieństw zdarzeń na żądanie jako nowych kolumn. Korekta limitu predykcji do nadania etykiety obserwacji jak zdarzenie lub brak zdarzenia.
      • Obsługa danych wstrzymania (uczenie i walidacja) na potrzeby oceny modelu.
    • Uogólnione modele liniowe:
      • Obsługiwane rozkłady to między innymi: beta, normalny, binarny, wykładniczy, gamma, geometryczny, Poissona, odwrotny Gaussa i ujemny dwumianowy.
      • Obsługa zmiennej kompensacyjnej.
      • Częstość i waga zmiennych.
      • Diagnostyka reszt.
      • Tabela agregacyjna obejmująca agregację modelu, historię iteracji, statystyki dopasowania, tabelę testów błędu typu trzeciego i estymację parametrów.
      • Przydatna opcja obsługi brakujących wartości zmiennej predykcyjnej.
      • Generowanie prognozowanych wartości i reszt na żądanie jako nowych kolumn.
      • Obsługa danych wstrzymania (uczenie i walidacja) na potrzeby oceny modelu.

    Programistyczny dostęp do technik analitycznych

    • Programiści i specjaliści data science mogą uzyskać dostęp do SAS Viya (serwer CAS) z SAS Studio z wykorzystaniem procedur SAS (PROC) i innych zadań.
    • Programiści mogą wykonywać działania CAS, wykorzystując PROC CAS lub używając różnych środowisk programowania, takich jak Python, R, Lua i Java.
    • Użytkownicy mogą także uzyskać dostęp do SAS Viya (serwer CAS) z własnych aplikacji, korzystają z publicznych API REST.
    • Natywna integracja do Python Pandas DataFrames. Programiści używający języka Python mogą wczytywać DataFrames do CAS i przenosić wyniki z CAS jako DataFrames w celu interakcji z innymi pakietami Python, takimi jak Pandas, matplotlib, Plotly, Bokeh itd.

    • Analiza głównych składowych (PCA):
      • Zmniejszanie rozmiarów poprzez obliczanie głównych składowych.
      • Dostarczanie algorytmów rozkładu własności własnych, NIPALS i ITERGS.
      • Dostarczanie scoringu głównych składowych dla wszystkich obserwacji.
      • Tworzenie wykresów osypiska i wykresów profilowych wzorców.
    • Drzewa decyzyjne:
      • Obsługa drzew klasyfikacyjnych i regresyjnych.
      • Obsługa cech kategorialnych i liczbowych.
      • Zapewnienie kryteriów dzielenia węzłów na podstawie miar nieczystości i testów statystycznych.
      • Metody przycinania drzew: koszt-złożoność i zmniejszony-błąd.
      • Obsługa partycjonowania danych na uczące, walidujące i testowe.
      • Obsługa walidacji danych w celu wybrania najlepszego poddrzewa.
      • Obsługa wykorzystywania danych testowych do oceny modelu finalnego drzewa.
      • Różne metody obróbki brakujących wartości, w tym reguły zastępowania.
      • Tworzenie diagramów decyzyjnych.
      • Zapewnienie statystyk do oceny dopasowania modelu, w tym statystyk opartych na modelu (ponowne podstawianie).
      • Obliczanie miar ważności zmiennych.
      • Prezentacja przyporządkowania liści oraz wartości predykcyjnych dla obserwacji.
    • Klasteryzacja:
      • Zapewnienie algorytmu k-średnich do klasteryzacji zmiennych ciągłych (interwałowych).
      • Zapewnienie algorytmu k-medoidów do klasteryzacji zmiennych nominalnych.
      • Zapewnienie różnych miar dystansu dla podobieństw.
      • Zapewnienie metody kryterium pudełek okalających do szacowania liczby klastrów.
      • Prezentacja przynależności do klastrów oraz miar dystansu dla wszystkich obserwacji.
    • Regresja liniowa:
      • Obsługa modeli liniowych ze zmiennymi ciągłymi i klasyfikacyjnymi.
      • Obsługa różnych parametryzacji do efektów klasyfikujących.
      • Obsługa dowolnego stopnia interakcji i efektów zagnieżdżonych.
      • Obsługa efektów wielomianu i funkcji sklejanej.
      • Obsługa regresji wprzód, wstecz, krokowej, najmniejszego kąta i lasso.
      • Obsługa kryteriów informacji i metod walidacji do kontroli wyboru modelu.
      • Możliwość wyboru poszczególnych poziomów efektów klasyfikacji.
      • Zachowanie hierarchii między efektami.
      • Obsługa partycjonowania danych na uczące, walidujące i testowe.
      • Zapewnienie różnych statystyk diagnostycznych.
      • Generowanie kodu SAS do scoringu produkcyjnego.
    • Regresja logistyczna:
      • Obsługa odpowiedzi binarnych i dwumianowych.
      • Obsługa różnych parametryzacji do efektów klasyfikujących.
      • Obsługa dowolnego stopnia interakcji i efektów zagnieżdżonych.
      • Obsługa efektów wielomianu i funkcji sklejanej.
      • Obsługa regresji wprzód, wstecz, szybko wstecz i lasso.
      • Obsługa kryteriów informacji i metod walidacji do kontroli wyboru modelu.
      • Możliwość wyboru poszczególnych poziomów efektów klasyfikacji.
      • Zachowanie hierarchii między efektami.
      • Obsługa partycjonowania danych na uczące, walidujące i testowe.
      • Zapewnienie różnych statystyk do oceny modelu.
      • Zapewnienie różnych metod optymalizacji do oceny maksymalnego prawdopodobieństwa.
    • Uogólnione modele liniowe:
      • Obsługa odpowiedzi z różnymi rozkładami, w tym binarnym, normalnym, Poissona i gamma.
      • Obsługa różnych parametryzacji do efektów klasyfikujących.
      • Obsługa dowolnego stopnia interakcji i efektów zagnieżdżonych.
      • Obsługa efektów wielomianu i funkcji sklejanej.
      • Obsługa regresji wprzód, wstecz, szybko wstecz, krokowej i grupowego lasso.
      • Obsługa kryteriów informacji i metod walidacji do kontroli wyboru modelu.
      • Możliwość wyboru poszczególnych poziomów efektów klasyfikacji.
      • Zachowanie hierarchii między efektami.
      • Obsługa partycjonowania danych na uczące, walidujące i testowe.
      • Zapewnienie różnych statystyk do oceny modelu.
      • Zapewnienie różnych metod optymalizacji do szacowania maksymalnego prawdopodobieństwa.
    • Modele regresji nieliniowej:
      • Wykorzystanie metody najmniejszych kwadratów lub metody maksymalnego prawdopodobieństwa w celu dopasowania modeli regresji nieliniowej.
      • Obsługa standardowych rozkładów do odpowiedzi, takich jak binarny, Poissona i normalny.
      • Obsługa składni programowania do określania zindywidualizowanych rozkładów do odpowiedzi.
      • Obsługa składni programowania do określania modeli i wyrażeń parametrów.
      • Zapewnienie różnych metod optymalizacji do estymacji parametrów.
      • Obliczanie pochodnych analitycznych do estymacji parametrów.
      • Obsługa kresów dla funkcji parametrów.
      • Obsługa ograniczeń liniowych dla estymacji parametrów.
      • Obsługa granic przedziałów ufności dla funkcji parametrów.
      • Konstruowanie predykcji wyrażań dla wszystkich obserwacji.
    • Modele regresji kwantylowej:
      • Obsługa regresji kwantylowej dla jednego lub wielu poziomów kwantyli.
      • Obsługa wielu parametryzacji do efektów klasyfikujących.
      • Obsługa dowolnego stopnia interakcji (efekty krzyżowe) i efektów zagnieżdżonych.
      • Obsługa strategii wyboru modelu hierarchicznego wśród efektów.
      • Zapewnienie wielu metod wyboru efektu.
      • Zapewnienie wyboru efektu na podstawie różnych kryteriów selekcji.
      • Obsługa reguł stopu i wyboru.
    • Modelowanie predyktywne metodą cząstkowych najmniejszych kwadratów:
      • Zapewnienie składni programowania ze zmiennymi klasyfikacyjnymi, ciągłymi, interakcjami i zagnieżdżeniami.
      • Zapewnienie składni konstruowania efektów dla wielomianów i funkcji sklejanych.
      • Obsługa partycjonowania danych na uczące i testowe.
      • Zapewnienie walidacji zbioru testów w celu wyboru liczby ekstrahowanych czynników.
      • Realizacja następujących metod: regresja głównych składowych, regresja niepełnego rzędu i regresja metodą cząstkowych najmniejszych kwadratów.

    Statystyki opisowe

    • Obliczanie miar ważności zmiennych.
    • Obsługa drzew klasyfikacyjnych i regresyjnych.
    • Oparte na zmodyfikowanym algorytmie C4.5 lub przycinaniu koszt-złożoność.
    • Interaktywne tworzenie i przycinanie drzewa. Interaktywne uczenie poddrzewa.
    • Ustalanie głębokości drzewa, maksymalnych gałęzi, rozmiaru liści, agresywności przycinania itd.
    • Wykorzystanie map drzew do interaktywnejawigacji w strukturze drzewa.
    • Generowanie ID liścia na żądanie jako nowej kolumny.
    • Obsługa danych wstrzymania (uczenie i walidacja) na potrzeby oceny modelu.

    Przetwarzanie według grup

    • Szybkie budowanie modelu, obliczanie i przetwarzanie wyników dla każdej grupy lub segmentu bez konieczności każdorazowego sortowania lub indeksowania danych.
    • Natychmiastowe budowanie modeli opartych na segmentach (tzw. modelowanie warstwowe) z drzewa decyzyjnego lub analizy klasteryzacji.

    Scoring modeli

    • Eksport modeli jako kod DATA step SAS w celu integracji modeli z innymi aplikacjami. Kod scoringowy jest automatycznie łączony, jeżeli model wykorzystuje wyniki pochodzące z innych modeli (np. ID liścia, ID klastra itp.).

    Platforma in memory SAS® Viya™

    • SAS Viya jest wyposażona w nowy mechanizm in memory - tzw. serwer CAS (Cloud Analytic Services). Mechanizm ten realizuje przetwarzanie in memory i rozprasza przetwarzanie po węzłach w klastrze.
    • Żądania użytkowników (wyrażone w języku proceduralnym) są tłumaczone na działania z parametrami wymaganymi do przetwarzania w środowisku rozproszonym. Zbiór wyników i komunikaty są przekazywane z powrotem do procedury, aby użytkownik mógł na nich prowadzić dalsze działania.
    • Dane na serwerze CAS są zarządzane w blokach i mogą być załadowane do pamięci na żądanie. Jeżeli zadanie użytkownika wymaga pracy z tabelami, które przekraczają pojemność pamięci, serwer zapisuje bloki na dysku. Dane i wyniki pośrednie są przechowywane w pamięci tak długo, jak są potrzebne, dla wszystkich zadań i użytkowników, co ogranicza opóźnienia w przetwarzaniu.
    • Rozproszony serwer CAS dodaje wysoce efektywną komunikację między węzłami i wykorzystuje algorytm określający optymalną liczbę węzłów dla danego zadania.
    • Rozproszony serwer CAS ma warstwę komunikacji z obsługą tolerancji błędów. Może on kontynuować przetwarzanie nawet po utracie łączności z niektórymi węzłami, co gwarantuje, że zgłoszone zadania są zawsze doprowadzane do końca. Warstwa komunikacyjna pozwala także usuwać lub dodawać węzły na serwerze w czasie jego pracy.

    Opcje instalowania i wdrażania

    • Instalacje stacjonarne:
      • Tryb jednomaszynowy do zaspokajania potrzeb małej lub średniej firmy.
      • Tryb rozproszony, uwzględniający potrzeby wynikające z rosnącej ilości danych, coraz większego obciążenia i skalowalności.
    • Możliwość zainstalowania oprogramowania w chmurze:
      • Hosting dla przedsiębiorstw; infrastruktura prywatnej lub publicznej chmury (np. BYOL w Amazon).

    Back to Top